WolfCareNet：利用灰狼优化算法（Grey Wolf Optimizer）优化CNN-LSTM架构，实现智能医疗系统中的疾病早期检测

《Journal of Forensic and Legal Medicine》：WolfCareNet: Optimized CNN–LSTM architecture using Grey Wolf Optimizer for early disease detection in smart healthcare systems

　　• 提出了一种新颖的混合深度学习模型WolfCareNet，该模型结合了卷积神经网络（CNN）和长短期记忆网络（LSTM），用于脑肿瘤检测。• 通过集成灰狼优化器（GWO）进行高效的超参数调整，提高了模型性能。• 该模型能够有效捕捉MRI图像中的空间和时间特征。• 实现了99.32%的准确率、0.93的召回率和0.97的AUC-ROC，表现出色。• 相比传统的模型（如MLP、RNN和模糊聚类技术）具有更强的性能。• Grad-CAM可视化通过突出显示肿瘤区域增强了模型的可解释性。

引言
随着慢性病和传染病的增加，医学领域迫切需要一个高效且准确的诊断系统。早期诊断可以改善预后、降低护理成本并提高患者的生活质量。然而，随着人工智能（AI）、物联网（IoT）和边缘/云计算的发展，人们开始更加关注如何充分利用计算模型来实现疾病的自动化和实时检测。准确及时的脑肿瘤诊断不仅对改善患者预后至关重要，还能减少临床诊断中的错误。在这方面的医学影像技术包括X光、MRI、CT（Begum和Syed 2024）以及超声波，同时还有可穿戴的健康监测设备，这些设备每天都会生成大量高分辨率数据。传统的分析方法效率低下且容易出错；因此，基于AI的方法在辅助医学专家进行诊断和决策时显得尤为重要，特别是在癌症、心血管疾病或COVID-19等时间敏感的情况下。脑磁共振成像在常规临床诊断之外还有重要应用，并在法医学和法律医学中作为宝贵的证据来源。因此，客观、可重复和透明的MRI图像解读对于支持基于证据的医学法律决策至关重要。可解释性人工智能作为一种有前景的方法，可以提高神经影像分析的一致性和可解释性，同时在整个评估过程中保持专家的监督。开发出一种基于可解释性AI的MRI分析框架可以帮助法医医生和医学专家更好地完成工作，因为这可以提高神经影像研究结果的可重复性和可追溯性。因此，所开发的WolfCareNet框架可以作为法医学和法律医学中审查神经影像数据的辅助工具。

现有研究表明，CNN、LSTM和元启发式优化算法在医学图像分析中是有效的。然而，许多现有方法要么专注于特征提取，要么专注于分类性能，而没有充分解决影响诊断准确性的模型参数优化问题。此外，大多数研究都是单独使用上述技术或在不同的实验设置中进行测试，因此很难利用它们的互补优势。为了解决这个问题，本文探索了一种结合基于CNN的空间特征提取、基于LSTM的判别特征学习以及灰狼优化超参数优化的方法。该方法旨在利用上述技术的互补优势，在单一框架中实现更高的可靠性和性能，以用于脑部MRI肿瘤分类。

尽管如此，AI和深度学习在 healthcare 领域的发展仍面临许多挑战：
- 由于医学图像包含高分辨率的复杂图案和像素信息，手动特征提取几乎是不可能的。噪声、成像条件和患者特定的解剖结构差异使得建模变得更加困难。
- 某些健康状况（如心电图信号或疾病随时间的进展）需要捕捉数据中的时间模式；传统的CNN擅长空间模式提取，但无法捕捉这些时间关系。
- 在重症监护室（ICU）设置和远程诊断场景中，模型需要实时准确才能发挥作用。调整学习率、滤波器数量、单元数量或丢弃率等参数非常耗时，而且手动调整或网格搜索往往无法找到最优解。

本文的主要贡献包括：
- 为了自动调整CNN-LSTM模型的重要超参数（包括学习率、滤波器大小、LSTM单元数量和批量大小），使用了灰狼优化器（GWO），从而实现了更好的分类准确率、更快的收敛速度和更短的训练时间。
- 与传统的CNN、LSTM和其他独立模型相比，所提出的WolfCareNet架构显著提高了检测准确性、灵敏度和鲁棒性。在参考医学数据集上的研究显示了出色的结果。
- 提供了详细的实验评估，包括GWO对模型性能的影响研究、消融实验以及与基线模型（仅使用CNN、仅使用LSTM以及未经优化的CNN-LSTM）的性能比较。
- 该框架具有可扩展性，可以部署在边缘计算和云计算环境中，支持智能医疗系统的实时分析，例如远程患者监测、ICU警报系统和可穿戴诊断设备。

本文的其余部分组织结构如下：第2节：文献综述；第3节：问题描述；第4节：程序；第6节：结论和未来项目；第5节：结果和讨论。

相关工作
Irshad等人改进了基于IGWO的DCNN系统，并将其集成到具有早期肺癌检测功能的物联网健康监测平台中。为了从物联网数据中选择最佳特征，该系统使用了TDO算法。
IGWO提高了标准GWO的收敛速度，从而增强了DCNN的学习能力。

问题陈述
像IGWO-DCNN这样的模型是为特定数据集或物联网驱动的临床数据开发的，这限制了它们在未训练或变化较大的实际环境中的适应性。
这些架构由于使用DenseNet-121、VGG-16和BiLSTM（带有跳跃连接）而大大增加了推理所需的时间和计算资源，使其不适合实时或资源有限的环境。
其他方法（如HCA优化的CNN-LSTM）在疾病检测方面也有所改进。

提出的方法
本文提出了WolfCareNet，这是一个混合深度学习框架，它结合了CNN来提取MRI脑扫描中的空间特征，并使用LSTM网络分析时间关系。通过GWO调整学习率、卷积滤波器数量等超参数，以提高学习和结果。首先，对MRI图像进行预处理（调整大小和标准化）。随后，数据被用于模型的训练和评估。

结果与讨论
本节详细分析了使用GWO优化的CNN-LSTM架构在早期MRI图像脑肿瘤检测方面的性能。根据准确率、精确度、召回率、F1分数和AUC-ROC等多个指标，该模型在与CNN提取空间数据和LSTM学习时间模式结合使用时表现优异。同时，还将基线模型进行了比较，以证明该混合模型的优越性。

结论与未来工作
本文提出了一种新型的混合深度学习架构，它使用通过GWO微调的CNN和LSTM来最大化从MRI图像中早期检测脑癌的能力。在所有关键评估参数（包括准确率99.32%、精确度、召回率、F1分数和AUC-ROC）方面，改进后的模型都优于常规机器学习模型和未优化的深度学习模型。

伦理批准和参与同意
本研究使用的脑MRI数据集来自Kaggle公共仓库，其中不包含任何可识别个人信息，因此不需要倫理批准和知情同意。

数据可用性
本研究使用的数据集可在Kaggle公开获取：“Brain MRI Images for Brain Tumor Detection”: https://www.kaggle.com/datasets/navoneel/brain-mri-images-for-brain-tumor-detection/data。

代码可用性
WolfCareNet框架的完整实现可通过Zenodo公开获取：https://zenodo.org/records/22089999。

作者贡献
- Jalaiah Saikam：概念化、方法论、编写——初稿。
- Raju Anitha：数据整理、软件开发。
- Venkata Rajulu Pilli：形式化分析、验证。
- Thippagudisa Kishore Babu：研究、可视化。
- Venkateswarlu Sunkari：资源协调、监督。
- Rakesh Roshan：撰写、审阅与编辑、项目管理。
所有作者均已阅读并批准了最终稿件。

伦理批准
本文不涉及任何涉及人类参与者或动物的研究。

资助
本研究未接受外部资助。

利益冲突
作者声明没有竞争利益。