基于视觉Transformer的深度特征生成框架在CT图像中包虫病囊肿分类的应用研究

为解决包虫病囊肿（由细粒棘球蚴Echinococcus granulosus引起）在CT图像中的精准分类难题，研究人员开发了基于视觉Transformer的深度特征生成框架（ViT-DFG）。该框架通过多阶段特征提取与迭代邻域成分分析（iNCA），结合k近邻（KNN）和多层感知机（MLP）分类器，实现了三分类（98.10%）和五分类（95.12%）的高精度，ANOVA检验证实其显著优于单一模型（p < 0.05），为临床自动化诊断提供了新思路。

　　

细粒棘球蚴（Echinococcus granulosus）引发的包虫病囊肿会在肝脏、肺部等器官形成逐渐增大的液性囊腔，严重时可致命。这项研究提出了一种革命性的深度特征生成框架（ViT-DFG），通过视觉Transformer模型（Vision Transformer）从CT图像中提取特征，结合迭代邻域成分分析（iterative Neighborhood Component Analysis）进行特征筛选，最终采用k近邻（KNN）和多层感知机（MLP）等分类器实现囊肿分型。

实验将囊肿分为5种亚型（五分类）和活性/过渡/非活性3大类（三分类）。令人振奋的是，5折交叉验证显示ViT-DFG框架在三分类任务中达到98.10%准确率，五分类亦有95.12%的表现，显著超越现有方法（ANOVA检验p < 0.05）。该突破不仅验证了多Transformer架构融合的优越性，更通过自动化特征工程为临床决策提供了可靠工具——就像给放射科医生装配了智能"显微镜"，能精准识别囊肿发展阶段，助力早期干预和个性化治疗。