基于影像组学的肺腺癌亚型精准分类：机器学习与深度学习的协同优化

本研究针对肺腺癌（LUAD）亚型分类中的数据集不平衡、小样本及多类分类难题，通过整合CT影像组学特征与机器学习（如RF、SVM、Stacking）及深度学习模型（ResNet-50、VGG16），结合SMOTE数据增强与特征选择方法（RFE、Lasso），显著提升分类性能。最终MStacking模型实现准确率82.00%、AUC95.00%，为小样本LUAD精准诊断提供新策略。

　　

通过影像组学（Radiomics）驱动的方法，研究人员致力于提升肺腺癌（LUAD）亚型的分类精度。他们从CT（Computed Tomography）扫描中提取放射组学特征，并融合机器学习（如随机森林RF、支持向量机SVM、梯度提升树GBDT）与深度学习模型（包括ResNet-18、ResNet-50和VGG16），以应对小样本和不平衡数据的挑战。特征筛选阶段比较了递归特征消除（RFE）、Lasso等方法，同时采用SMOTE（Synthetic Minority Over-sampling Technique）进行数据增强，并使用交叉熵损失函数优化训练。结果显示，基于互信息（MI）和堆叠集成（Stacking）的MStacking模型表现卓越，分类准确率达到82.00%，精确率82.00%，F1分数83.00%，AUC（Area Under Curve）为95.00%，灵敏度79.00%，特异性94.00%。深度学习模型在小样本上受限，但结合影像组学特征后性能大幅提升，如ResNet-50准确率增加20%。该研究证实了影像组学驱动深度学习在LUAD多类分类中的优势，为临床诊断提供了高效工具。