用于放射学图像分类的多模态元启发式优化深度学习框架

《Array》：A multimodal metaheuristic-optimized deep learning framework for radiological image classification

　　

COVID-19大流行凸显了利用医学影像开展快速、准确且可及的诊断方法的迫切需求。尽管逆转录聚合酶链反应（RT-PCR）和计算机断层扫描（CT）被广泛用于诊断，但其常受到成本、时间以及基础设施要求的限制。放射学影像包括超声在内，可提供一种更具便携性且无创的替代方案，但其在自动化诊断中的应用仍较为有限。为解决这一问题，本研究提出了一种用于放射学图像分类的多模态元启发式优化深度学习框架。该框架基于一种新型深度学习模型Covid_L3GBNet23，其由74层组成，包括23个卷积层，旨在从医学图像中提取有意义的特征。该模型首先在CIFAR-100数据集上进行预训练，以提升特征学习能力。随后，所提取的深层特征通过一种多模态元启发式方法进行优化，该方法结合遗传算法（GA）和二元蜻蜓算法（BDA），以选择最相关的特征。实验结果表明，所提出框架取得了较高的分类性能，准确率达到99.1%。与支持向量机（SVM）和K近邻（KNN）等传统机器学习分类器的比较表明，该方法在放射学图像分类任务中具有更强的鲁棒性和有效性。

该文发表于《Array》，聚焦于COVID-19肺部超声图像自动分类这一医学人工智能应用场景。研究背景在于，COVID-19暴发后，快速、准确、低成本且易部署的辅助诊断技术成为临床急需。尽管逆转录聚合酶链反应（RT-PCR）是常用检测手段，计算机断层扫描（CT）也具有较强诊断价值，但前者存在耗时、成本及假阴性等问题，后者则依赖昂贵设备、专业放射科医师以及严格的消毒流程，难以在资源受限环境中广泛部署。相比之下，肺部超声（LUS，lung ultrasound）具有便携、无辐射、无创、可床旁实施和适于实时监测等优势，尤其适合重症监护和即时照护场景。然而，超声图像噪声大、对比度低、伪影复杂，自动化识别研究相较于CT和X线仍显不足，因此亟须构建适配超声数据特性的高性能人工智能框架。

在此背景下，研究人员提出了一个面向放射学图像分类、以肺部超声COVID-19识别为核心任务的多模态元启发式优化深度学习框架。该框架以自定义卷积神经网络（CNN，convolutional neural network）Covid_L3GBNet23为核心，围绕深层特征提取、进化式特征选择、特征融合与分类器判别四个层面展开，目标是在COVID-19、肺炎和正常三类肺部超声图像之间实现高精度区分。结果表明，该框架在最佳配置下取得99.1%的准确率，优于文中比较的AlexNet、ResNet18、SqueezeNet、VGG16等卷积网络以及多种SVM与KNN变体对应的其他特征配置，说明该方法在肺部超声图像自动分类中具有较高有效性。研究意义在于，该工作不仅针对超声这一相对欠研究的影像模态提出了专用深度网络结构，而且通过结合遗传算法（GA）与二元蜻蜓算法（BDF，文中亦写作BDA/BDF）进行特征优化，提升了分类性能与鲁棒性，为可移植、低接触、实时化的智能辅助诊断系统提供了方法学参考。

研究人员采用的主要关键技术方法包括：以公开POCUS（Point-of-Care Ultrasound）数据集681幅肺部超声图像作为主评估队列，包含COVID-19、肺炎与正常三类；以CIFAR-100作为辅助预训练数据集；构建74层Covid_L3GBNet23网络并从全局平均池化层提取681 × 512深层特征；分别利用遗传算法（GA）与二元蜻蜓算法（BDF）进行特征选择；将两组优化特征串行融合后，采用5折交叉验证及80:20训练测试划分，在多种支持向量机（SVM）和K近邻（KNN）分类器上进行性能评估，并使用准确率、灵敏度、精确率、F1-Score、真正率（TPR）与假阴性率（FNR）等指标验证性能。

在研究结果方面，论文主体依次给出了数据、模型、特征处理及实验分析结论。

3.1. Datasets
研究使用两个数据集。主数据集为POCUS公开肺部超声数据集，共681幅图像，分为COVID-19感染、肺炎感染和正常胸部图像三类。研究人员在训练前进行了尺寸调整至224 × 224、归一化、数据增强以及降噪处理，以减少变异并改善泛化能力。辅助数据集为CIFAR-100，用于在标注超声数据有限的情况下预训练Covid_L3GBNet23，从而增强模型的一般化特征学习能力。该部分结论是，POCUS承担核心分类评估任务，CIFAR-100用于支持预训练与提升模型泛化。

3.2. Proposed (Covid_L3GBNet23) model
研究人员提出了受ResNet18启发的新型CNN架构Covid_L3GBNet23。该模型总计74层，包括23个卷积层、1个全连接层、14个ReLU层、11个批归一化（BN，batch normalization）层、3个Leaky ReLU层、6个跨通道归一化（CN，cross-channel normalization）层、8个加法层、1个输入层、1个softmax层和1个输出层。其关键结构创新是grafted branch（GB）分支式模块，该模块在网络中重复三次，同时还设计了三个重复块用于层级特征学习。该部分说明了模型如何通过分支融合与多层归一化增强超声图像中复杂纹理和空间模式的表达能力，构成整项工作的核心方法学贡献。

3.3. Model pre-training and feature extraction
研究人员首先在CIFAR-100上对Covid_L3GBNet23进行预训练，然后将模型用于681幅超声图像，并从P2全局平均池化层提取深层特征，得到681 × 512特征矩阵。论文指出，这些深层特征能够编码边缘、纹理、形状以及图像区域间空间关系，相较手工特征更能自适应数据内部变化。该部分结论是，预训练结合深层特征提取为后续分类提供了具有判别性的高维表示。

3.4. Feature selection using Genetic Algorithm (GA)
为降低维度并提升分类精度，研究人员采用遗传算法对681 × 512特征进行筛选。算法参数包括种群大小10、变异率0.001、交叉率0.5，并以监督方式依据类别标签优化特征子集。最终，GA从512个初始特征中筛得261个最优特征。该部分结论是，GA能够在保持判别力的同时有效压缩特征空间，为后续融合提供一组较优特征表达。

3.5. Feature selection using Binary Dragonfly (BDF) Algorithm
研究进一步采用二元蜻蜓算法进行离散特征选择。该算法通过模拟蜻蜓群体行为，在探索与开发之间实现平衡。文中设置最大迭代次数为30、蜻蜓个体数为10、验证集比例为20。应用于深层特征后，BDF选择出209个最优特征。该部分表明，除GA外，BDF也能从不同优化机制出发保留关键信息，为多策略特征融合提供互补特征集。

3.6. Feature fusion
研究人员将GA选出的681 × 261特征与BDF选出的681 × 209特征进行串行融合，形成681 × 470的多模态元启发式特征向量，再加上类别标签后得到681 × 471的最终数据表示。论文强调，GA擅长大搜索空间中的全局探索，BDF擅长解空间中的平衡搜索与局部精化，两者结合可提升特征选择的准确性与稳定性。该部分结论是，融合策略通过整合两类优化算法的优势，构建了更具区分性的特征表示。

3.7. Performance evaluation metrics (PEMs)
研究采用六项常见性能评价指标，即准确率、灵敏度、精确率、F1-Score、TPR和FNR，用于从整体正确性、漏诊控制及精确识别等方面综合评价框架性能。该部分的作用是为后续结果分析建立统一评价依据。

3.8. Classification
最终，研究人员将融合后的特征向量输入多种SVM和KNN分类器，并采用5折交叉验证进行评估。SVM测试了Q-SVM、C-SVM、L-SVM、MG-SVM和CG-SVM，KNN测试了Medium KNN、Cosine KNN、Weighted KNN和Cubic KNN。结果显示，C-SVM与Weighted KNN表现最佳，其中C-SVM总体最优。该部分结论是，融合特征在传统分类器上具备较强判别能力，尤其适配C-SVM。

4.1. Experiment 1: 150 features
第一组实验中，研究人员从GA和BDF中各取75个特征，构成681 × 150特征矩阵。经5折交叉验证与随机80:20训练测试划分后，C-SVM达到98.53%准确率。该结果说明，在较少融合特征条件下，框架已可获得很高分类精度。

4.2. Experiment 2: 200 features
第二组实验中，研究人员各选100个特征进行融合，得到681 × 200特征矩阵。C-SVM准确率提升至98.7%。这一结果表明，适度增加特征数量有助于提升模型性能。

4.3. Experiment 3: 300 features
第三组实验采用GA与BDF各150个特征，形成681 × 300特征矩阵。该配置下C-SVM达到全篇最佳的99.1%准确率，Q-SVM为97.9%。这是论文的关键结果，说明300维融合特征在信息丰富度与冗余抑制之间达到了最佳平衡。

4.4. Experiment 4: 400 features
第四组实验将两种算法各选200个特征后融合，得到681 × 400特征矩阵。C-SVM准确率为99.0%，略低于300特征配置。该结果提示，继续增加特征维数可能引入冗余，性能收益趋于饱和甚至轻微下降。

4.5. Discussion
讨论部分总结指出，四组实验显示特征空间扩展在初期可改善性能，但过高维度会带来冗余，故300特征配置最优。最佳实验的混淆矩阵结果为：COVID-19类235例中正确分类232例，正常类226例中正确分类224例，肺炎类220例中正确分类219例，总误分仅6例；ROC曲线显示三类AUC均为1.0，提示极强区分能力。箱线图则显示C-SVM和Weighted KNN具有较高稳定性。研究人员还指出，该框架从临床相关性上能够捕获B-lines和subpleural consolidations等肺部超声标志。与此同时，论文明确列出局限性，包括数据集规模较小、仅使用单一POCUS公开数据集、缺乏完整患者级标识、模型解释性不足、CIFAR-100预训练与超声模态间存在领域差异，以及部署到低资源设备时可能受到计算复杂度限制。补充分析中，作者给出了分类别性能：COVID-19类精确率、召回率和F1-score均为97.82%，肺炎类均为95.56%，正常类均为97.83%，平均值为97.07%。总体性能方面，准确率为99.10%，95%置信区间为97.30%–99.80%。统计比较显示，所提模型相较CNN-only、CNN+GA、CNN+BDA和CNN+Fused Features的性能提升均具有统计学显著性，p<0.05。消融实验则进一步表明，CNN、GA、BDF、特征融合及SVM/KNN分类各组成部分均对最终性能产生正向贡献。

4.6. Comparison with state-of-the-art approaches
与既有超声COVID-19识别方法比较时，研究人员认为所提框架获得了具有竞争力或更优的性能。尽管表中个别研究报告的准确率可达99.7%，本文模型以深层特征提取结合进化式特征选择为特色，体现出不同于端到端CNN的技术路径，并在681幅超声图像、5折交叉验证条件下实现99.1%准确率。

4.7. Comparison with CNN variants
与ResNet18、SqueezeNet、VGG16和AlexNet相比，Covid_L3GBNet23在准确率、精确率、召回率、F1-Score和AUC-ROC上均表现最佳，分别达到99.1%、98.5%、98.7%、98.6%和0.991。该部分结论是，网络结构改造与特征优化策略共同提升了超声影像分类性能。

4.8. Comparison with ResNet18 baseline
论文进一步说明，Covid_L3GBNet23是在ResNet18基础上的针对性扩展。具体改动包括：扩展到74层；增加Leaky ReLU、BN和CN层；引入GB分支结构；增加重复块以强化层级特征学习。该部分结论是，这些面向超声图像特征的结构性调整提高了模型对复杂模式的表征与分类能力。

5. Limitations and future work
局限性部分指出，本研究结果主要反映在当前681幅单一公开数据集上的表现，尚不能作为充分临床泛化证据；缺乏外部验证和患者级分离验证；模型尚未实现显式病灶定位；CIFAR-100预训练未必最适合超声模态；计算开销仍可能制约在便携式临床设备上的实时部署。未来工作将围绕多中心外部验证、可解释人工智能、超声特异性迁移学习以及模型压缩优化展开。

结论部分可译为：
本研究提出了一种基于74层Covid_L3GBNet23卷积神经网络的COVID-19肺部超声图像分类新框架。该模型先在CIFAR-100数据集上预训练以增强特征学习能力，随后在包含681幅COVID-19、肺炎和正常类别图像的POCUS超声数据集上进行评估。为进一步优化性能，研究人员使用遗传算法（GA）和二元蜻蜓算法（BDF）进行特征选择，并采用多种支持向量机（SVM）和K近邻（KNN）分类器对融合特征进行分类。研究共开展四组不同特征子集实验，并通过5折交叉验证进行一致性评估。其中，以两种进化算法各选择150个特征的配置表现最佳，利用C-SVM取得99.1%的准确率。与ResNet18、VGG16、SqueezeNet和AlexNet等先进卷积网络，以及既有超声COVID-19识别模型相比，该方法在准确率、精确率、召回率和鲁棒性方面均表现更优。该框架能够识别B-lines和胸膜下实变等具有临床意义的超声生物标志，同时通过进化式特征选择降低维度，并在多项评价指标上表现稳定，显示出用于实时诊断流程的潜力。尽管如此，深层架构和进化算法的计算需求、单一数据集带来的泛化限制，以及深度模型可解释性不足，仍是其应用中的现实挑战。未来工作将通过扩展数据多样性、优化计算效率并引入可解释人工智能，进一步提升该框架的临床适用性。总体而言，Covid_L3GBNet23框架为构建准确、可扩展且具有临床意义的COVID-19及相关肺部疾病人工智能诊断工具提供了有前景的进展。