基于混合深度学习与机器学习技术的高效结肠癌诊断策略

《Expert Systems with Applications》：Efficient colon cancer diagnosis (CCD) strategy based on hybrid deep and machine learning techniques

　　

摘要

结肠癌仍是全球重大的健康问题之一。作为全球三大致命癌症之一，早期诊断对疾病的预后有着至关重要的影响。人工智能在早期检测中发挥着重要作用。本研究提出了一种结合深度学习与机器学习的混合方法，即结肠癌诊断策略，以提高结肠癌诊断的准确性。该策略包含两个阶段：(i)预处理阶段和(ii)诊断阶段。在预处理阶段，采用了多种技术来提升图像质量，包括双三次插值、条件卷积生成对抗网络以及对比度限制自适应直方图均衡化算法。在诊断阶段，则通过集成学习方法，运用由GoogleNet、DenseNet-201及所提出的模型组合而成的集成诊断技术。此外，还采用了视觉几何组网络进行特征提取，并结合优化加权K最近邻算法进行分类，形成了混合VGG19与OWKNN算法。最后，集成诊断技术通过多数投票来确定最优诊断结果。经过多年验证，该策略的性能优于其他较新的诊断方法，其精确度、准确率和召回率分别达到了96.21%、99.34%和95.01%。

引言

结肠癌是一种极其危险的肿瘤，严重威胁人类生命。它在全球范围内导致的死亡原因中位居第二，在常见疾病中则位列第三。尤其是那些经济和社会发展迅速的发展中国家，该疾病的严重性仍在不断上升。每年新增的结肠癌病例数不断增加，大约有190万例（Bray等人，2024年）。结肠癌的发生是多因素共同作用的结果，既包括基因突变，也涉及环境因素和生活方式因素（Tabernero Caturla，2015年；Fearon和Vogelstein，1990年），因此早期发现对患者的生存至关重要。导致结肠癌发生的因素有很多，包括代谢紊乱、慢性炎症以及肠道微生物群失衡。一些不良生活习惯会加剧病情发展，而这些习惯都是可以改变的，比如缺乏运动、食用加工肉类、高红肉饮食、肥胖、吸烟以及饮酒（Keum和Giovannucci，2019年）。

通过基因组分析，人们已经发现了许多非必需的基因模式，这为开发更为精准的靶向治疗手段提供了可能（Tabernero Caturla，2015年）。由于全球50岁以下人群的患病率持续上升，早期发现的必要性愈发重要（Siegel等人，2024年）。目前，结肠癌的常规早期诊断方法主要包括结肠镜检查、组织病理学检查以及各种影像学技术，如CT和MRI。而定期筛查则是早期发现结肠癌患者、降低死亡率的的重要手段，这类筛查方法包括粪便免疫化学检测和结肠镜检查（Siegel等人，2024年）。不过，由于文化、经济和社会因素的影响，不同人群的筛查意愿差异很大（Siegel等人，2024年）。尽管这些方法一直是癌症检测的金标准，但它们也存在诸多缺陷，比如检测结果受不同医生影响较大、具有侵入性，还有可能遗漏病灶。即便有这些方法来控制疾病的传播，解读医学影像仍然需要很长时间，而且还会出现人为错误。鉴于该疾病的严重性，显然有必要开发出更精准、更高效的诊断工具。正因如此，医疗从业者开始尝试将人工智能应用于这一领域。

人工智能在结肠癌早期检测中的应用正在不断增多。研究表明，使用人工智能辅助结肠镜检查时，腺瘤的检出率有所提高，同时也能减少漏诊情况（Makar等人，2025年）。事实证明，那些在内窥镜检查中容易被忽视的较小扁平肿瘤，通过实时深度学习技术的应用，其检出率有了显著提升。这项技术可以直接在内窥镜检查过程中使用，从而及时提醒医生（Wang等人，2019年）。人工智能在早期疾病诊断中的高准确性，得益于它能够整合多种数据源来进行综合诊断，这些数据包括数字组织切片、内窥镜图像、实验室数据以及微生物群数据。这样一来，早期筛查项目的精准度和灵敏度都比传统的单独筛查方法更高（Sun等人，2025年）。还有一些研究显示，基于机器学习的筛查工具能够更快、更准确地区分癌变组织与正常组织（Komura等人，2025年）。这不仅提升了早期检测的比例，也让疾病在早期就能得到有效治疗。此外，疾病的扩散风险和死亡率也会随之降低，而这正是公共卫生项目所要实现的目标之一（Makar等人，2025年；Wang等人，2019年；Wu等人，2021年）。

尽管人工智能筛查具有诸多优势，但也面临一些挑战，比如需要大规模且多样化的训练数据，以及训练数据中可能存在的偏差问题（Adiwinata等人，2023年）。此外，还有研究发现，医生使用人工智能筛查工具时效率更高，而如果不使用这些工具，效率则会下降（Budzyń等人，2025年）。因此，为了确保医疗检查的效果达到最佳，就需要建立相应的训练控制机制，同时平衡人工智能工具的使用与医生的临床随访工作（Sun等人，2025年；Adiwinata等人，2023年）。虽然人工智能在早期筛查中的应用前景广阔，但其检测精度仍有提升空间，因此寻找更先进的工具来提高结肠癌筛查的准确性十分重要。只有这样，才能在疾病早期就实现精准检测，从而尽可能提高患者的康复率，同时降低该疾病的死亡率。所提出的结肠癌诊断策略是一种端到端的诊断方法，其中的预处理部分与集成诊断技术相辅相成、密不可分。在集成诊断技术中，GoogleNet和DenseNet-201并非作为独立的分类器使用，而是被结合起来，充分利用它们各自的优势以及不同的特征表达能力，进一步提升了诊断的准确性和可靠性。总体而言，这种结肠癌诊断策略是一种综合性的混合方法，涵盖了预处理、特征优化、集成学习以及决策融合等多个环节，共同构成了一个完整的结肠癌诊断系统。

本文的主要贡献如下：

• •
  第一项贡献是提出了结肠癌诊断策略，该策略旨在实现结肠癌患者的快速精准检测。该策略包含预处理阶段和诊断阶段两个部分。在预处理阶段，通过多种技术提升图像质量，包括用于图像缩放的双三次插值、用于数据增强的条件卷积生成对抗网络，以及用于提升图像质量的对比度限制自适应直方图均衡化算法。
• •
  第二项贡献是提出了集成诊断技术，该技术包含三种诊断模型，分别是GoogleNet、DenseNet-201，以及一种名为混合VGG19与优化加权K最近邻的新模型。
• •
  第三项贡献是提出了混合VGG19与OWKNN模型，该模型结合了VGG19进行特征提取和OWKNN进行分类。OWKNN是一种新的诊断模型，它采用了改进的多策略人工兔子优化算法，来确定每个特征的权重以及最优的K值。通过这种优化算法，该模型能够为各个特征赋予更合理、更具针对性的重要性，从而显著提升分类的准确性。
• •
  集成诊断技术通过多数投票的方式来确定最优的诊断结果。

实验结果表明，所提出的OWKNN模型相比其他最新模型具有更好的性能，而集成诊断技术相比其组成模型也能取得更优异的诊断效果。总体而言，结肠癌诊断策略的性能优于其他现有的诊断方法，因为它能在准确率、精确度、召回率、微观平均值、宏观平均值、F1值以及处理速度等方面都表现出最佳表现。

本文的结构如下：第2节回顾了有关结肠癌诊断的现有研究；第3节详细介绍了所提出的结肠癌诊断策略；第4节展示了实验结果；第5节则总结了研究结论并提出了未来研究方向。

章节要点

相关研究

人工智能已成为医学图像分析领域的重要工具，已在包括结肠癌在内的多种疾病诊断中展现出良好的应用效果。本节将综述目前关于结肠癌诊断方法的现有研究，重点介绍其中的突出成果和研究重点。在Piccinno等人的研究中，提出了一种基于微生物组的无创筛查策略，该策略主要利用机器学习技术对粪便样本进行分析。

结果与讨论

本节将介绍包含预处理阶段和诊断阶段的结肠癌诊断策略，该策略可用于早期发现结肠癌病例。在第一个应用场景中，诊断阶段会运用集成诊断技术，该技术包含DenseNet、GoogleNet以及混合VGG19与OWKNN这三种模型。同时，有效的训练数据会被作为诊断模型输入，从而实现更快速、更准确的诊断结果。在第二个应用场景中，则会完整运用整个结肠癌诊断策略。

结论与未来展望

本文的核心目标是通过人工智能技术，制定出一种有效的策略，精准诊断结肠癌患者，从而阻止疾病的进一步扩散。该诊断框架结合了预处理阶段的各种技术，如双三次插值、C-DCGAN数据增强以及CLAHE对比度提升技术，同时还包含了并行的诊断阶段。在诊断阶段，会运用集成诊断技术，该技术整合了GoogLeNet、DenseNet-201以及新的混合VGG19与OWKNN模型，随后再通过相应流程完成诊断工作。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。

Hajr R. Khalifa|Asmaa H. Rabie|Hanan M. Amer|Ahmed I. Saleh|Mohy Eldin A. Abo-Elsoud