用于胃肠道息肉分类的优化深度学习方法：基于Grad-CAM可解释性的五种CNN与Transformer架构的对照实验

《Diagnostics》：Optimised Deep Learning for Gastrointestinal Polyp Classification: A Controlled Benchmark of Five CNN and Transformer Architectures with Grad-CAM Interpretability

　　

摘要

背景/目标：结直肠癌是全球第二大癌症相关死亡原因，结肠镜检查中息肉漏诊率高达26%，且分类准确性很大程度上取决于操作者水平。准确的多类息肉亚型分类在临床中至关重要，因为它直接决定了治疗方案：腺瘤性息肉需要切除，而增生性病变可能只需定期监测。本研究旨在系统比较五种深度学习架构在五类胃肠道息肉分类中的表现，并通过Grad-CAM可视化技术为临床提供可解释的诊断依据。方法：在Kvasir数据集V2（5000张图像，五类）上，使用统一的训练和评估流程，在常见的GPU硬件上对ResNet50、VGG16、EfficientNet-B3、DenseNet121以及Vision Transformer（ViT-B/16）这五种模型进行了测试。所有模型均采用ImageNet预训练技术，并配备了重新设计的多层分类结构。采用了两种优化策略：CNN架构采用带余弦退火的SGD算法，ViT-B/16则采用带线性预热功能的AdamW算法。通过梯度加权类激活映射（Grad-CAM）生成空间注意力热图，以便进行定性临床分析。结果：在80/10/10划分方式下，ViT-B/16的准确率最高，为97.2%；但由于单一划分易受抽样影响，研究还采用了分层五折交叉验证法（平均值±标准差）来进一步评估。在交叉验证中，EfficientNet-B3的准确率最高，为95.90 ± 0.35%，紧随其后的是ViT-B/16（95.12 ± 0.72%），然后是ResNet50（91.74 ± 0.74%）、DenseNet121（90.32 ± 0.70%）和VGG16（88.50 ± 1.72%）；较小的标准差表明包括ViT-B/16在内的所有模型在不同验证组中的表现都很稳定。通过霍尔姆校正后的成对麦克奈马尔检验发现，各类模型之间的差异都具有统计学意义（），其中EfficientNet-B3的表现也优于ViT-B/16（）。因此，ViT-B/16仍是一种表现优异且稳定的模型，其性能明显优于其他三种CNN模型；而交叉验证的结果显示，结构最简洁的EfficientNet-B3排名第一：视觉Transformer虽然与最强的CNN模型竞争力较强，但并未超过后者。在所有五种模型中，染色提升后的息肉与染色切除边缘之间的误分类模式具有一致性，这反映出任务层面的视觉模糊性，也可能与类别定义的重叠及标注因素有关，这对临床实践有重要意义。Grad-CAM分析通过注意力熵和集中度指标显示，无论预测结果是否正确，模型的注意力始终集中在相关的染色组织上，这说明染色类别之间的混淆源于真正的视觉模糊性，而非定位错误。结论：在交叉验证中，EfficientNet-B3在Kvasir V2的五类分类任务中取得了最高的准确率，远超其他所有模型，ViT-B/16则表现极为接近，处于第二位。术后染色内窥镜图像类别之间的混淆问题仅靠调整模型结构难以彻底解决，可能需要更高分辨率的成像技术或领域专家的重新标注。这些研究结果为胃肠道内窥镜检查中的可解释深度学习提供了理论支持；在实际临床应用之前，还需进行外部多中心验证。