《Cancers》：Early Classification of Bladder Cancer Using Spectrum-Aided Visual Enhancer (SAVE) and Deep Learning Models: A Non-Invasive Technology for Faster Detection
编辑推荐：
背景/目的：膀胱癌(Bladder Cancer, BC)是全球重大公共卫生问题，位列癌症发病率第九位且呈上升趋势。常规诊断方法包括膀胱镜检查和标准影像学检查，在识别早期癌症征象及准确分期方面存在局限。方法：因此，本研究开发了一种计算机辅助诊断(Compute
背景/目的：膀胱癌(Bladder Cancer, BC)是全球重大公共卫生问题，位列癌症发病率第九位且呈上升趋势。常规诊断方法包括膀胱镜检查和标准影像学检查，在识别早期癌症征象及准确分期方面存在局限。方法：因此，本研究开发了一种计算机辅助诊断(Computer-Aided Diagnosis, CAD)系统，采用名为光谱辅助视觉增强器(Spectrum-Aided Vision Enhancer, SAVE)的新型纯软件驱动方法，结合深度学习算法。结果：研究结果表明SAVE在扩大医学影像诊断可及性方面具有巨大潜力。虽然SAVE总体性能与标准白光成像(White-Light Imaging, WLI)相当（总体p = 0.41，显示强非劣效性），但SAVE在对最具挑战性的早期阶段类别进行分类时，F1分数有定向的绝对提升，且无需昂贵的光学设备。例如，在使用VGG16时，SAVE将"Above T1（T2及以上期）"类别的F1分数从65%提升至85%。结论：这些发现表明，SAVE可在提供可靠基线检测的同时，为特定复杂病变增强视觉线索而无需昂贵光学设备。例如，在使用VGG16时，SAVE将"Above T1"类别的F1分数从65%提升至85%。这些发现说明SAVE可为资源受限的临床环境提供先进的高对比度诊断能力，有效实现精准泌尿外科护理的下沉与普及。
论文解读：应用光谱辅助视觉增强器(SAVE)与深度学习模型早期分类膀胱癌
本研究发表于《Cancers》。膀胱癌（Bladder Cancer, BC）是全球第九大常见恶性肿瘤，年新发病例超54.9万，死亡约20万，男女比例约4:1。临床依靠TNM分期系统区分非肌层浸润（Ta、T1期）与肌层浸润（≥T2期，即Above T1），二者治疗策略截然不同（经尿道膀胱肿瘤电切术TURBT vs. 根治性膀胱切除术）。目前常规诊断依赖白光成像（White-Light Imaging, WLI）膀胱镜检查，但对扁平、微小早期病灶对比度不足；窄带成像（Narrow-Band Imaging, NBI）虽可增强黏膜及微血管对比度，却需专用昂贵硬件滤光片，难以在基层和资源受限机构普及。为此，研究人员开发了纯软件驱动的光谱辅助视觉增强器（Spectrum-Aided Visual Enhancer, SAVE），通过计算将普通WLI图像转换为具NBI-like对比效果的增强图像，并与多种深度学习模型结合构建膀胱癌多分类计算机辅助诊断（Computer-Aided Diagnosis, CAD）系统，验证其在早期及Above T1等难分期的分类性能提升作用及非劣效性。
研究人员回顾性纳入129例患者（正常膀胱黏膜23例、Ta期11例、T1及以上期95例）共1372张WLI膀胱镜图像，经严格患者层面（patient-wise）8:2划分训练集（103例，1079张）与测试集（26例，293张）。图像统一缩放至640×640像素，未做几何数据增强以防过拟合；采用加权随机采样与类别加权交叉熵损失缓解类别不平衡。SAVE算法流程为：WLI原始RGB经逆伽马校正线性化→转换至CIE 1931 XYZ色彩空间→借助Macbeth色卡标定反射光谱重建→主成分分析（Principal Component Analysis, PCA）提取六维主成分重构模拟光谱→通过双退火（Dual Annealing）优化光照谱匹配真实Olympus NBI色彩（平均CIEDE2000色差2.79），生成SAVE增强图像。分别用VGG16、ResNet34、InceptionResNetV2、GoogLeNet及YOLOv5（YOLOv5s骨干，分类模式）在WLI与SAVE两种模态下训练四分类模型（Normal、TA、TURBT、Above T1），每模型重复5次随机划分取均值评估，指标含精确率（Precision）、召回率（Recall）、F1分数、平衡准确率。
3.1. Classification Performance by Imaging Modality
研究人员对比WLI与SAVE下五模型四分类表现，发现SAVE整体性能相当或优于WLI，尤在早期难分期中提升显著。以VGG16为例，"Above T1"类F1由WLI的65%升至SAVE的85%，"TA"类由47%升至69%；TURBT与Normal类因特征明显，两模态下YOLOv5均可达接近100% F1。部分模型（如YOLOv5 Above T1类）WLI略优，归因于模型自身定位能力与光照伪影影响，但SAVE在各架构中对困难类别提供更均衡的提升。视觉上SAVE增强了黏膜下血管网、乳头状突起及组织浸润轮廓，减少WLI将Normal误判为TA的情况。
3.2. Performance Comparison with Real NBI
研究人员以Olympus真实NBI图像为基准，量化SAVE模拟效果：平均CIEDE2000色差2.79，结构相似性（Structural Similarity Index Metric, SSIM）90%，峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）28.02 dB，平均熵1.17%，证实SAVE生成图像与真实NBI具高度视觉及光谱相似性，可作为无NBI硬件时的替代方案。
3.3. Summary of Model Performance
YOLOv5整体表现最优，InceptionResNetV2与ResNet34稳健且SAVE输入提升其召回率；GoogLeNet相对偏低。SAVE特别强化了模型对细微病理特征的判别能力。
3.4. Visual Detection Results & Statistical Tests
配对t检验与Wilcoxon符号秩检验显示SAVE与WLI总体F1无显著差异（p=0.41，支持非劣效性），各类别p均>0.05（Above T1 p=0.58，TA p=0.17等）。虽无统计显著性，但SAVE在Above T1与TA类带来绝对F1提升（VGG16 +20%、InceptionResNetV2 +9.87%、ResNet34 +2.50%），体现其对早期/高危病变检测的临床增益。
讨论部分指出，SAVE通过计算模拟NBI的黏膜与血管对比增强，弥补WLI不足且无需专用硬件，适合便携内镜或胶囊内镜（Video Capsule Endoscopy, VCE）应用；YOLOv5因检测–分类一体设计表现突出；TA类样本少致WLI下召回低，SAVE缓解此问题。局限性含单中心回顾性设计缺外部验证、Above T1合并T2–T4未细分、标签来自内镜医师判读非全组织病理学验证、未校正镜头–组织距离引起的照度变化、未做各模型精细超参数调优。未来需多中心前瞻性验证、引入可解释AI（如Grad-CAM）、探索Vision Transformer及更新YOLO架构、深度感知自适应增强及将SAVE集成至移动设备。
结论部分译文：本研究成功验证了光谱辅助视觉增强器（SAVE）作为依赖硬件的窄带成像（NBI）之稳健软件替代方案。定量分析与真实Olympus NBI相比，SAVE生成高保真光谱图像，结构相似性（SSIM）达90%，色差（CIEDE2000）仅2.79。融入深度学习架构后，SAVE增强图像分类性能全面优于或等同于标准白光成像（WLI），YOLOv5表现最佳，尤其在TA与Above T1等早期困难病灶中平衡了精确率与召回率。SAVE无需专用硬件即可增强特征对比度，为膀胱癌诊断提供经济高效、非侵入性方案，在缺乏先进内镜设备的资源受限环境中具重要临床部署潜力。
