《Array》：XQE-Net: A deep learning framework with integrated feature fusion and optimization for cervical cancer screening
编辑推荐：
宫颈癌仍是全球关注的严重健康问题，需要准确高效的自动化筛查解决方案。研究人员提出XQE-Net，一种基于三种CNN架构（Xception、SqueezeNet和EfficientNet B7）异构集成的计算机辅助诊断（Computer-Aided Diagno
宫颈癌仍是全球关注的严重健康问题，需要准确高效的自动化筛查解决方案。研究人员提出XQE-Net，一种基于三种CNN架构（Xception、SqueezeNet和EfficientNet B7）异构集成的计算机辅助诊断（Computer-Aided Diagnosis, CAD）框架，每种架构因其独特的建筑设计而被选中。XQE-Net从每种CNN的三层（全连接层、池化层和卷积层）中提取分层深度特征，产生九个独立特征集，共同捕获宫颈细胞形态的综合性诊断表征。研究人员将使用Haar基函数的六层分解离散小波变换（Discrete Wavelet Transform, DWT）专门应用于卷积层特征，在融合前将原始维度压缩高达98.9%，同时保留判别性频谱特征。随后，基于最小冗余最大相关（minimum Redundancy–Maximum Relevance, mRMR）的特征选择将融合特征空间减少高达91.6%，产生每样本仅需1.56 KB内存的部署就绪分类器。XQE-Net处理巴氏涂片图像无需分割或图像增强，简化了临床部署的诊断流程。通过在两个基准数据集上的五折交叉验证进行验证，XQE-Net在SIPaKMeD上达到98.5%准确率，在Mendeley LBC上达到100%准确率，分别比现有方法高出3.77%和1.22%，证实了其诊断可靠性和跨数据集泛化能力。
研究背景与开展缘由
宫颈癌是全球女性第四大常见恶性肿瘤，每年约新增68万例、死亡36万例，且死亡率预计在2032年升至近50万例，中低收入国家负担尤重。传统筛查如人乳头瘤病毒（Human Papillomavirus, HPV）检测和巴氏（Pap）试验存在局限性，HPV检测漏诊约9–12%的浸润癌及8.3–14%的高级别鳞状上皮内病变（High-Grade Squamous Intraepithelial Lesion, HSIL），某些腺癌亚型假阴性率高达15–48%；人工筛查依赖熟练细胞学家，受观察者间变异性影响，报告延迟且在资源有限环境中受限，设备与人员成本高昂阻碍可及性。早期无症状，进展后出现盆腔痛、不规则出血等需临床确诊，及时检测可高度治愈，故需自动化高性价比方案，深度学习（Deep Learning, DL）能自动提取特征无需手动预处理，但常规卷积神经网络（Convolutional Neural Network, CNN）计算量大、超参数调优难，易过拟合，单网络层特征效果有限。为此，研究人员开展XQE-Net研究，旨在以低计算负载实现强准确性，集成轻量CNN、多层特征提取融合与选择，简化流程并提升诊断性能与泛化性。该论文发表于《Array》。
主要关键技术方法
研究人员采用SIPaKMeD数据集（4049张单细胞裁剪图，分5类：Parabasal、Superficial-Intermediate、Metaplastic、Koilocytes、Dyskeratotic）与Mendeley液体基细胞学（Liquid-Based Cytology, LBC）数据集（963张图，460例患者，分4类：无上皮内瘤变（No Intraepithelial Malignancy, NILM）、LSIL、HSIL、鳞状细胞癌（Squamous Cell Carcinoma, SCC））。技术含三轻量CNN（Xception、SqueezeNet、EfficientNet B7）迁移学习ImageNet权重微调；多层特征提取（每层全连接Layer 1、池化Layer 2、卷积Layer 3）；对Layer 3用Haar基六层离散小波变换（DWT）压缩；跨模型跨层特征融合；最小冗余最大相关（mRMR）选择；分类用线性SVM（Linear SVM, LSVM）、二次QSVM、三次CSVM及线性判别分析（Linear Discriminant Analysis, LDA）；五折交叉验证；十次独立实验取均值；数据增强（反射、剪切、平移、缩放）；优化器为带动量的随机梯度下降（Stochastic Gradient Descent with Momentum, SGDM），学习率1×10-4，批次4，轮数50。
研究结果
5.1. Phase 1: per-layer feature evaluation
研究人员评估各CNN单层特征性能，SIPaKMeD上Layer 2与Layer 3（经DWT压缩）优于Layer 1，如Xception Layer 2/3（CSVM 94.7%、96.1%）高于Layer 1（88%），EfficientNet B7 Layer 3（LSVM 96.1%）最优；Mendeley LBC同理，Layer 2/3优于Layer 1，DWT压缩后Layer 3达峰值如SqueezeNet QSVM 98.9%，证实深层特征判别力更强，Layer 1最低。
5.2. Phase 2: Ensemble feature evaluation
研究人员融合同层三CNN特征成三个集合，SIPaKMeD上Ensemble 1（Layer 1）达CSVM 97.4%，Ensemble 2（Layer 2）CSVM 93.0%，Ensemble 3（Layer 3）QSVM 97.6%，均超单层；Mendeley LBC上Ensemble 1 LSVM 99.4%、QSVM 99.7%，Ensemble 2 LDA 99.7%，Ensemble 3≥99.0%，峰值99.7%（Layer 2 LDA），融合提升性能，Ensemble 2/3优于Ensemble 1。
5.3. Phase 3: Integrated & selected feature evaluation
研究人员拼接九特征集后经mRMR选择，SIPaKMeD上CSVM与QSVM仅400特征达98.5%与97.8%，LSVM 800特征97%，超此数性能降；Mendeley LBC上QSVM与CSVM仅200特征达100%且维持，LDA 200特征99.4%，LSVM 200或600特征99.8%，证实少而精特征最优。QSVM与CSVM在SIPaKMeD灵敏度97.9%/97.8%、精确率98.6%/96.6%、F1 96.9%/98.3%、特异度98.3%/98.5%、马修斯相关系数（Matthews Correlation Coefficient, MCC）98.2%/96%；Mendeley LBC全100%。混淆矩阵与ROC曲线（AUC 1.0）佐证。Phase 2特征2386维训练慢（CSVM SIPaKMeD 42.874s），Phase 3减至400/200维，CSVM SIPaKMeD 6.5465s、Mendeley LBC 2.346s，内存18.64 KB降至3.12/1.56 KB，计算成本降83.2%/91.6%。
讨论与结论翻译
讨论部分：本研究介绍XQE-Net，一种新颖的轻量CNN基CAD框架，专为巴氏涂片细胞学自动分类设计。与依赖单层特征的传统CNN方法显著不同，XQE-Net基于多层深度特征融合与严格特征选择创新，实现低计算复杂度与高诊断准确性双重目标，生成高度判别且紧凑的特征表征以可靠区分细胞学类别。架构分四阶段：巴氏涂片图像预处理标准化；三轻量CNN（EfficientNet B7、SqueezeNet、Xception）多层深度特征提取；策略性特征级融合与选择；ML算法分类。从所有网络三不同层提取深度属性，初始独立评估建基线；为增表征力融合对应层输出成三层特定集合，最终成综合多层特征集；用mRMR消除冗余隔离最相关特征；优化子集经ML分类高精度分类。此多层融合与选择集成策略是XQE-Net核心创新，区别于传统单CNN范式，成稳健高效宫颈癌筛查工具。三阶段验证：Phase 1单层特征性能限；Phase 2同层融合峰值SIPaKMeD 97.4%、Mendeley LBC 99.0%（CSVM第三层），但维度2386高；Phase 3选择后维降至400/200同时精度升至98.5%/100%，证实合成高判别力与低特征数，进阶细胞学诊断。表6比较训练时间等，Phase 3优。表7比各阶段与单CNN端到端，XQE-Net优。表8比现有CAD，XQE-Net SIPaKMeD 98.5%、Mendeley LBC 100%超多数，小特征集与轻量CNN达成，灵敏精确超95%与80%。消融分析：Phase 1单层基线94.2%–96.2%；Phase 2融合升至97.4%但特征爆炸2386维内存18.64 KB延迟增；Phase 3 mRMR减至400/200维，精度98.5%/100%，时延降84.7%，去冗余提效非仅加速。消融证明：去多层提取用端到端降24%精度；去mRMR Phase 2比Phase 3精度降0.9%且冗余增；全管道Phase 3达Mendeley LBC 100%黄金标准无冗余模块。局限：无系统超参数优化、未显式处理模糊与噪声、未用胶囊网络与视觉Transformer（Vision Transformer, ViT）、CNN缺可解释性；未来需鲁棒预处理增强、集成先进架构、用可解释AI（Explainable AI, XAI）映射特征至临床模式、临床工作流评估染色与制备伪影、资源受限硬件部署、合成数据增广罕恶性亚型、互补模态整合。
结论部分：本研究提出XQE-Net，一种用于巴氏涂片图像分类的CAD框架，基于三种CNN架构（EfficientNet B7、SqueezeNet、Xception）异构集成，各因独特设计入选。不从单终端层而从每CNN三层（全连接、池化、卷积）提取深度特征，产九个独立集捕获宫颈细胞形态综合诊断表征。对每CNN高层卷积特征专用Haar基六层分解DWT，融合前Layer 3维度降98.9%保判别频谱特征。压缩集跨模型跨层聚合融合，拼接空间用mRMR选紧凑诊断最优子集，分类器阶段维度降91.6%，每样本内存1.56 KB部署就绪。框架在两基准数据集五折交叉验证三阶段消融评估：Phase 1单层每CNN基线；Phase 2跨模型跨层融合优于单层；Phase 3融合空间mRMR选择进一步提精度同时大幅降维与时长。最终管道SIPaKMeD 98.3%准确率、Mendeley LBC 100%，超现有法3.77%与1.22%。XQE-Net直处理原始巴氏涂片无需分割或增强，降流程复杂度。未来应在临床工作流评估染色变异与制备伪影鲁棒性，框架紧凑分类器足迹适资源受限硬件部署，合成数据增广罕恶性亚型类不平衡提灵敏，扩展框架整合细胞学成像外互补诊断模态以提供更全面早期恶性检测基础。
要不要我帮你把这篇论文解读里的关键技术与实验结果整理成一个简洁的汇报提纲，方便你后续查阅或分享？
