LCA-Med：一种用于医学图像不平衡分布检测的轻量级跨模态自适应特征处理模块

本文提出轻量级跨模态自适应模块LCA-Med（LCaM）及其检测方法LCaM-CNX，通过提示词（text modality）引导多模态医学图像特征提取，结合生成数据集组、注意力机制与元启发式算法（DBO）的训练范式，在六大数据集上超越十种先进方法，尤其擅长处理数据分布不平衡（imbalanced data distribution）场景。

　　

研究亮点（Highlights）

本研究针对医学图像跨域检测中的核心挑战提出创新性解决方案，主要亮点包括：

（i）提出名为LCA-Med（LCaM）的轻量级跨模态自适应医学图像特征处理模块；

（ii）提出针对不平衡医学图像分布的跨模态与跨域自适应检测方法LCA-Med CNX（LCaM-CNX），可有效缓解数据集间数据分布不平衡带来的挑战；

（iii）提出新型医学图像跨域自适应检测训练范式，通过生成数据集组、引入注意力模块及应用元启发式算法（龙舟优化算法，Dragon Boat Optimization, DBO）显著提升模型自适应检测性能；

（iv）在六个数据集上与十种前沿方法进行对比实验，结果表明我们的方法在五个数据集上取得最佳性能，其余数据集表现具有竞争力，且在数据分布越不平衡时优势越显著。

引言（Introduction）

快速有效诊断多种疾病对全球医疗保健至关重要。然而，现有深度学习模型因本质性特征分布差异难以在不同疾病领域泛化。例如：

• 血癌检测需识别血液涂片中的恶性细胞形态（Intelligence, 2024）；

• 痴呆诊断需识别脑部MRI扫描中的结构变形（O'Brien, Largent, & Karlawish, 2025）；

• COVID-19筛查依赖于胸部X光中肺部浑浊影的检测（Sauteur et al., 2025）；

• 真菌感染需精确识别显微镜图像中的菌丝模式（Ghosh et al., 2025）；

• 眼部弓形虫病诊断聚焦于眼底图像中的视网膜病变（Hubal et al., 2025）；

• 猴痘识别需分析脓疱性皮肤病变（Control, 2024）。

这六大疾病领域呈现显著特征分布差异：（i）细胞异常；（ii）脑萎缩；（iii）肺部浸润；（iv）真菌菌丝；（v）视网膜瘢痕；（vi）皮肤脓疱。传统模型因特征表征不兼容与诊断标准非重叠而难以跨异构域保持精度。

针对该挑战，我们提出轻量级跨模态自适应医学图像特征处理模块、新型轻量级跨模态自适应检测方法及新型跨域自适应检测训练范式。

章节概要（Section snippets）

相关工作（Related Work）

近期深度学习在医学辅助诊断（Evgin Goceri, 2021, 2023a; Idlahcen, Idri, & Goceri, 2024）取得显著成功，但在跨域检测与高效部署方面仍面临持续挑战，尤其在分布偏移与类别不平衡条件下。

域适应局限：虽迁移学习（Alsattar et al., 2024）助力跨域检测，但其低敏感性暴露特征错位问题（Vora et al., 2024）。卷积...

LCA-Med模块（LCA-Med Module）

为解决模块参数量过高的问题，本节提出LCaM。LCaM优先减少参数量同时保持性能。为便于理解，表18展示了本文所有变量，表19给出缩写与全称。

实验结果（Experimental Results）

本节展示详细实验结果与可视化内容，以凸显所提模型效能。为全面评估多模型性能，我们纳入多种评估工具，包括混淆矩阵、统计结果、接收者操作特征曲线（ROC curves）、统计显著性检验、不确定性量化及梯度加权类激活映射++（Grad-CAM++）。

讨论（Discussion）

本节从以下三方面分析实验结果并讨论模型性能。

结论（Conclusion）

本研究引入创新型轻量级跨模态与跨域自适应特征处理模块，利用提示词（text modality）检测不平衡医学图像分布，命名为LCA-Med（LCaM）。通过将LCaM模块与ConvNeXt-Tiny架构集成，我们开发了新型自适应医学图像检测方法LCA-Med CNX（LCaM-CNX）。为保障所提方法获得优异检测性能，我们...