基于Self-ONN和堆叠元分类器的Self-DenseMobileNet框架在肺结节分类中的鲁棒性研究

研究人员针对胸部X光片(CXR)中肺结节分类准确率不足的问题，开发了融合Self-ONN(自组织操作神经网络)和堆叠元分类器的Self-DenseMobileNet框架。通过图像标准化、多通道增强技术和四重深度学习模型集成，在内部验证中取得99.28%准确率和0.99 AUC，外部验证达89.40%准确率。该研究为肺癌早期筛查提供了可解释性强的高效CAD(计算机辅助诊断)解决方案。

　　

肺癌作为全球癌症相关死亡的主要原因，每年影响超过170万人。由于早期症状隐匿，约75%的患者确诊时已处于晚期。胸部X光片(CXR)因其经济性和普及性成为主要筛查手段，但微小肺结节（通常小于3cm）的检测面临巨大挑战：结节可能被肋骨、心脏等器官遮挡，专业放射科医师的漏诊率高达30%。现有计算机辅助诊断(CAD)系统多依赖复杂预训练模型，存在计算成本高、泛化能力不足等问题。

针对这些瓶颈，来自孟加拉国达卡大学的研究团队在《Biomedical Engineering Advances》发表创新研究。他们提出名为Self-DenseMobileNet的新型框架，核心突破在于：首次将Self-ONN(自组织操作神经网络)的异构计算特性与轻量化架构结合，通过动态调整神经元操作提升特征提取效率；开发多阶段增强策略，整合伽马校正、CLAHE(限制对比度自适应直方图均衡化)和3通道融合技术；创新性地采用堆叠元分类器，将DenseNet201、MobileViTv2等四种模型的预测概率转化为表格数据，用随机森林(RF)等8种机器学习算法进行二次优化。

关键技术包括：1)使用NODE21挑战赛的4882张CXR数据集，采用5折交叉验证；2)开发包含瓶颈残差块的Self-DenseMobileNet架构，参数量仅351万；3)应用ScoreCAM(基于分数的类激活映射)实现模型可解释性；4)外部验证采用VinBigData和NIH数据集共1253张独立样本。

研究结果显示，在1024×1024分辨率图像上：内部验证中堆叠模型准确率达99.28%(F1-score 99.53%)，显著优于单一MobileViTv2-0.75模型(97.15%)；外部验证保持89.40%准确率，而对比模型MobileViTv2-0.50仅70.23%。值得注意的是，Self-DenseMobileNet单次推理耗时仅10.15ms，比ResNet152快2.2倍。ScoreCAM热图清晰显示，模型能准确聚焦结节区域，对植入医疗器械等干扰物具有鲁棒性。

该研究突破性地解决了三个临床痛点：通过Self-ONN的泰勒级数近似实现非线性特征学习，克服传统CNN(卷积神经网络)的线性局限；多通道融合策略将不同增强技术的优势互补，使3通道图像的分类性能提升5-6%；堆叠架构将Meta-RF(元随机森林)作为最终分类器，显著降低假阳性率。局限在于数据集包含23%结节样本的天然不平衡性，且未区分良恶性结节。未来可通过半监督学习扩展未标注数据应用，向结节定位和恶性预测延伸。这项成果为资源有限地区的肺癌筛查提供了高性价比解决方案，其模块化设计也可迁移至其他医学影像分析领域。