YOLO模型超参数优化在冠状动脉造影病灶检测与评估中的应用研究

为解决冠状动脉疾病(CAD)病灶检测中YOLOv8模型超参数敏感性问题，研究人员系统比较了CMA-ES、TPE、高斯过程采样器等优化算法在YOLOv8及其DCA变体上的表现。实验表明，模型基优化器显著提升F1-Score（CMA-ES达0.355±0.079），且生成更病灶中心的EigenCAM显著性图，为CAD影像分析提供了可复现的优化框架。

　　

冠状动脉疾病(CAD)作为全球首要死因，其诊断金标准——侵入性冠状动脉造影(ICA)仍面临主观评估差异大、自动化检测模型性能不稳定等挑战。尽管基于YOLOv8的检测器在狭窄检测中表现突出，但其性能高度依赖数十个相互作用的超参数，而现有研究往往缺乏系统性超参数优化(HPO)探索。更棘手的是，ICA图像存在信噪比低、血管结构复杂重叠等问题，加之公开数据集稀缺，导致模型泛化能力受限。

为突破这些瓶颈，研究人员开展了一项开创性研究，系统评估了协方差矩阵自适应进化策略(CMA-ES)、树结构Parzen估计器(TPE)和高斯过程采样器(GPSAMPLER)等先进优化算法在YOLOv8及其双坐标注意力(DCA)变体上的表现。这项发表在《Computers in Biology and Medicine》的工作，首次在CADICA和ARCADE两个开放数据集上建立了可复现的YOLO模型HPO基准。

研究采用三大关键技术：1) 基于患者级别的分层三折交叉验证，确保数据无泄漏；2) 覆盖学习率(lr₀)、动量(momentum)、损失权重(λ_box/λ_cls/λ_dfl)等11维超参数空间的系统搜索；3) 结合EigenCAM可视化技术定量评估模型注意力机制。所有实验在配备NVIDIA A100的超级计算集群上完成，每个配置通过1000轮训练严格验证。

性能比较
在CADICA数据集上，CMA-ES优化的DCA-YOLOv8l达到0.225±0.060的F₁-Score，较默认优化器提升41%。ARCADE数据集中，该组合进一步创下0.355±0.079的纪录。值得注意的是，TPE在轻量级v8s模型上表现卓越，验证了"大模型用CMA-ES，小模型用TPE"的优化器选择准则。

超参数收敛分析
通过UMAP降维可视化发现，CMA-ES和TPE在超参数空间中形成紧密聚类，而默认的Ultralytics-ES则偏离高效区域。Kruskal-Wallis检验显示，学习率(lr₀)和动量参数存在显著组间差异(p<0.001)，证实模型基优化器能发现更稳定的参数走廊。

注意力机制验证
EigenCAM热图显示，CMA-ES优化的模型其注意力显著集中于狭窄病灶区域，而默认优化器常出现背景激活。在DCA-YOLOv8l上，优化后模型的血管中心激活强度提升2.3倍，证实HPO能引导网络学习更具诊断意义的特征。

这项研究确立了HPO在医学影像检测中的关键价值：CMA-ES通过全协方差适应攻克了高维参数空间的各向异性难题；TPE则以对数线性复杂度O(dnlogn)实现轻量级模型的高效调参。研究者开源了完整代码库，为临床CAD自动化诊断提供了即用型解决方案。未来工作可探索多目标优化框架，同时平衡模型精度、推理速度和能耗，推动YOLO模型在移动医疗设备中的部署应用。