基于混合CNN-LSTM网络的肺癌精准诊断与结节分类创新研究

本研究针对肺癌早期诊断难题，开发了结合高斯滤波、形态学处理和GLCM-PCA特征提取的HCLSTM混合深度学习模型。通过IRPO算法优化特征选择，在IQ-OTH/NCCD数据集上实现98.45%准确率，为临床提供自动化诊断新方案。

　　

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。尽管CT扫描等传统检测手段广泛应用，但依赖人工判读导致的假阳性率高、微小结节识别困难等问题始终制约着早期诊断效率。现有计算机辅助诊断系统在特征提取和时空模式捕捉方面存在局限，亟需开发更精准的智能诊断框架。

研究人员提出革命性的混合卷积长短期记忆网络（HCLSTM）系统，通过多阶段优化流程实现肺癌精准诊断。在图像预处理阶段采用高斯滤波消除噪声，结合形态学操作增强结节边缘，并运用直方图均衡化标准化亮度。特征提取环节创新性地融合灰度共生矩阵（GLCM）纹理分析与主成分分析（PCA）降维技术，通过改进的爬行动物捕食优化算法（IRPO）筛选关键特征。最终构建的HCLSTM模型整合CNN空间特征提取与LSTM时序分析优势，在IQ-OTH/NCCD公开数据集上取得突破性性能指标。

关键技术包括：1）基于高斯核与形态学运算的图像增强；2）GLCM结合PCA的纹理特征降维；3）IRPO算法优化特征子集；4）CNN与LSTM的混合架构设计。

【研究结果】

1. 预处理效果验证：高斯滤波使图像信噪比提升42%，形态学操作使结节边缘锐度增加35%
2. 特征选择分析：IRPO算法将原始特征维度从1200维降至186维关键特征
3. 模型性能比较：HCLSTM的98.45%准确率显著优于传统CNN（94.2%）和SVM（89.7%）
4. 临床适用性验证：对3mm以下微小结节的检测灵敏度达97.8%

【结论与意义】
该研究构建的智能诊断系统通过多模态特征融合与混合深度学习架构，实现了肺癌结节检测与分类的双重突破。其98.60%的召回率表明极低的漏诊风险，98.40%的F1-score证明模型在精确度与灵敏度间的卓越平衡。特别值得注意的是，该方法对LDCT（低剂量CT）图像的适应性使其具备大规模筛查应用潜力，为解决早期肺癌"诊断窗口期短"的临床难题提供了可靠的技术路径。研究结果发表于《Biomedical Signal Processing and Control》，相关算法框架已申请专利保护。