基于SqueezeNet与机器学习算法融合的智能肺癌诊断框架：一种高效迁移学习策略

针对肺癌早期诊断中传统方法依赖专家经验、计算复杂度高等问题，研究人员开发了结合轻量化CNN（SqueezeNet）与机器学习（LR/SVM/RF）的混合AI框架。通过950例胸部CT数据验证，该模型最高准确率达92.9%（SqueezeNet+LR），AUC达0.989（SVM），较AlexNet提升10.84% F1值。其创新性在于平衡计算效率与诊断精度，为临床实时检测提供新范式。

　　

肺癌是全球致死率最高的恶性肿瘤之一，早期诊断能显著提升患者生存率。然而传统诊断方法面临诸多挑战：CT等影像学检查依赖放射科医师经验，存在主观偏差；活检等侵入性操作具有并发症风险；深度学习模型如AlexNet虽精度高但计算资源消耗大，难以在基层医院推广。这些痛点催生了对高效、轻量化AI诊断工具的迫切需求。

研究人员提出了一种创新解决方案——将轻量级卷积神经网络SqueezeNet与经典机器学习算法（逻辑回归LR、支持向量机SVM、随机森林RF）相结合。SqueezeNet作为特征提取器，其独特的Fire模块和全局平均池化（Global Average Pooling, GAP）设计，仅需5MB参数（相当于AlexNet的1/50），却能提取高质量图像特征。这些特征再输入ML分类器进行最终诊断，形成"深度特征提取+机器学习分类"的混合架构。研究采用伊拉克某医院公开的950例胸部CT数据集，包含良性、恶性和正常三类样本，通过5折交叉验证评估模型性能。

关键技术包括：1）基于SqueezeNet的迁移学习特征提取；2）多分类器（LR/SVM/RF）集成；3）5折交叉验证与分层抽样解决数据不平衡问题；4）混淆矩阵（Confusion Matrix, CM）和校准曲线（Calibration Plot）等多维度评估体系。

研究结果方面：

1. 性能指标：在66:34训练测试比下，SqueezeNet+LR组合表现最优，准确率（CA）达92.9%，F1分数0.928；SVM的AUC最高（0.989），显示卓越的类别区分能力。
2. 计算效率：SqueezeNet仅需4.024秒平均训练时间，验证了其轻量化优势；SVM虽耗时较长（7.567秒），但Log Loss最低（0.134），预测置信度最佳。
3. 比较分析：相较传统CNN，混合框架F1分数提升显著——比AlexNet高10.84%，比独立SqueezeNet高58.62%。
4. 临床适用性：校准曲线显示SVM对恶性病例预测概率达0.995，证实其适用于高风险筛查场景。

这项发表于《Medicine in Novel Technology and Devices》的研究具有双重突破意义：方法论上，首次验证了轻量化CNN与ML协同在医学影像分析的可行性；临床上，92.9%的准确率与0.989的AUC表明，该框架可成为放射科医师的可靠AI助手。尤其值得关注的是，模型在保持AlexNet级精度的同时，将参数量压缩50倍，这使得在移动设备部署成为可能，对医疗资源匮乏地区具有特殊价值。未来工作可扩大数据集多样性，并探索模型在PET等多模态影像中的扩展应用。