基于HCLSTM网络的肺癌智能诊断系统：融合图像处理与深度学习的精准分类新策略

本研究针对肺癌早期诊断难题，开发了结合高斯滤波、形态学处理与HCLSTM（Hybrid Convolutional Long Short-Term Memory）网络的智能诊断系统。通过GLCM纹理分析和IRPO（Enhanced Reptile Predator Optimization）特征选择，在IQ-OTH/NCCD数据集上实现98.45%准确率，为临床精准诊疗提供新范式。

　　

肺癌作为全球癌症相关死亡的首要原因，每年导致约180万新增病例和60万死亡病例，其早期诊断面临巨大挑战。传统CT筛查存在假阳性率高、依赖专业解读等问题，而现有计算机辅助诊断(CAD)系统在特征提取和分类精度上仍有局限。

针对这一难题，研究人员开发了一套创新性肺癌智能诊断系统。研究通过多阶段优化流程：首先采用高斯滤波和形态学操作增强肺结节边缘，结合直方图均衡化提升肿瘤可见度；随后利用灰度共生矩阵(GLCM)提取纹理特征，并通过主成分分析(PCA)降维；创新性地引入改进的爬行动物捕食优化算法(IRPO)进行特征选择，避免陷入局部最优；最终构建混合卷积长短期记忆网络(HCLSTM)，整合CNN的空间特征提取能力和LSTM的时序分析优势。

关键技术方法包括：1) 基于IQ-OTH/NCCD数据集的图像预处理流程；2) GLCM+PCA的特征工程；3) IRPO优化算法；4) HCLSTM分类架构。研究结果显示，该系统在测试集上达到98.45%准确率、98.21%精确度、98.60%召回率和98.40% F1值，显著优于现有技术。

【文献回顾】
既往研究多采用单一模型如FFBPNN或SVM，而本研究通过混合模型突破性能瓶颈。

【研究方法】
诊断流程包含四个关键环节：噪声抑制的预处理、鲁棒特征提取、IRPO优化选择、HCLSTM时空特征融合分类。

【结果讨论】
实验证实HCLSTM能有效捕捉结节的空间-时间模式，IRPO算法将特征维度降低40%同时提升分类效果。

【结论】
该研究构建的智能诊断框架实现了三大突破：1) 创新性融合传统图像处理与深度学习优势；2) 开发IRPO算法解决特征选择难题；3) 验证HCLSTM在医学图像分类中的卓越性能。研究成果发表于《Biomedical Signal Processing and Control》，为临床早期诊断提供高精度、低计算成本的解决方案，对推动个性化诊疗具有重要意义。作者A. Lavanya Mathiyalagi和R. Ravi特别指出，该系统未来可整合进医院PACS系统，辅助放射科医师提升诊断效率。