基于生成式人工智能的影像组学特征空间增强框架在喉癌窄带成像辅助诊断中的应用与评估

《BMC Medical Imaging》：Radiomics-GenAI: a novel model for laryngeal lesion classification

　　**摘要****背景**窄带成像（NBI）能够增强黏膜和血管对比度，已成为喉癌早期检测的重要手段。尽管影像组学能够从NBI图像中提取高维定量特征以用于计算机辅助诊断，但标注数据集的有限可用性和异质性制约了机器学习模型的开发与泛化能力。**方法**我们提出一种新颖的生成式人工智能框架，以改进基于影像组学的分类性能。该框架不生成合成医学图像，而是在影像组学特征空间中直接训练生成模型，学习真实的特征分布并生成有效的合成影像组学表示。该框架在喉癌诊断任务中结合多个机器学习分类器进行评估，使用的数据集包含来自210名成年患者的11,144张NBI图像，其中开发集包含180名患者，独立内部保留测试集包含30名患者。**结果**在独立未见测试集上，使用准确率、精确率、召回率和F1分数对模型性能进行评估。生成增强在所有评估的分类器中均一致性地提升了分类性能。在评估的生成模型中，生成对抗网络（GAN）取得了最一致的提升。Radiomics-GAN的F1分数中位数最高，达到0.851，在测试集上优于不使用生成式人工智能的SMOTE平衡基线模型（F1分数：0.806）。**结论**该框架通过丰富影像组学特征流形而不生成合成医学图像，有效缓解了样本稀缺问题，提升了分类器性能，并支持开发更健壮的喉癌诊断AI辅助工具。未来工作将聚焦于外部验证以及针对病变亚型和图像采集变异性定制的条件生成模型。