一种轻量级的ResNet50V2–ECA模型用于肾细胞癌分级：高效性、校准及先进的性能表现

《Scientific Reports》：A lightweight ResNet50V2–ECA model for renal cell carcinoma grading: efficiency, calibration, and state-of-the-art performance

　　

摘要

由于肾细胞癌（RCC）在组织病理学上的细微差异以及人工评估的局限性，准确地进行国际泌尿病理学会（ISUP）分级存在挑战。现有的深度学习模型通常依赖于复杂的注意力机制，这会增加计算成本并阻碍模型的应用。本研究提出了一种轻量级的ResNet50V2-ECA框架，在最后一个卷积层之后添加了一个高效通道注意力（Efficient Channel Attention, ECA）模块，从而在最小化额外开销（0.25 M参数，3.1 GFLOPs）的情况下提升了通道间的区分能力。在空间特征提取之后放置ECA模块，可以在全局范围内重新调整通道参数，避免了多阶段注意力机制带来的计算冗余，同时保持了空间分辨率。利用KMC肾脏组织病理学数据集（722张全切片图像，3,442个训练样本，涵盖五个分级），该模型在标准评估指标（准确性、精确度、召回率、F1分数、特异性、BAC、AUC）上取得了96.90%的准确率、91.39%的F1分数以及近乎完美的AUC分数（0级：1.000；4级：0.997）。通过对五种注意力机制（BAM、CBAM、SE、GC、ECA）和三种主干网络进行全面的消融研究，证实ResNet50V2-ECA具有最高的整体性能。与领先的RCC分类模型（RoCNN、EFF-Net、RCCGNet、RenalNet、MobileDANet）的对比分析进一步证明了其优越的准确性和效率。通过使用蒙特卡洛Dropout方法进行校准验证，模型可靠性得到确认，预测置信度与实际准确度之间表现出高度一致性；风险-覆盖曲线显示，在排除低置信度样本的情况下，准确率可超过99%。综上所述，该模型构建了一个高精度、校准良好的RCC分级系统，具有很强的临床应用潜力。尽管研究结果表明其在临床应用方面具有巨大潜力，但仍需进行外部多中心验证以确认其泛化能力。