《Diagnostics》：Classification of Oral Squamous Cell Carcinoma from Histopathological Images Using a Hybrid Deep Learning Model
编辑推荐：
背景/目的：口腔鳞状细胞癌（OSCC）晚期诊断时死亡率高并引发严重健康问题，被视为公共卫生问题；疾病诊断中具重要价值的组织病理学检查耗时且依赖专家经验。方法：研究人员提出一种基于深度学习的方法，用于从组织病理学图像中自动分类正常口腔上皮与OSCC；对Visio
背景/目的：口腔鳞状细胞癌（OSCC）晚期诊断时死亡率高并引发严重健康问题，被视为公共卫生问题；疾病诊断中具重要价值的组织病理学检查耗时且依赖专家经验。方法：研究人员提出一种基于深度学习的方法，用于从组织病理学图像中自动分类正常口腔上皮与OSCC；对Vision Transformer（ViT）、CLIP、ConvNeXtV2、DeiT、DINOv2等先进架构性能进行比较分析，并基于结果提出融合各模型优势的混合法。结果：在696张组织病理学图像数据集上，ConvNeXtV2与ViT-L/16基础模型准确率约84%；所提方法采用高效通道注意力（ECA）—门控特征（Gated Features）模型，将Transformer类模型全局上下文能力与卷积神经网络（CNN）类模型局部特征提取能力结合，集成ViT-L/16、DINOv2与ConvNeXtV2的混模经K近邻（KNN）分类器取得89.95%准确率、89.82% F1分数、89.95%灵敏度，优于文献基线。结论：多架构融合提升医学图像分析诊断可靠性，可作为病理医生决策支持机制。
研究背景方面，口腔癌是全球第六常见癌症，其中约90%为口腔鳞状细胞癌（OSCC，Oral Squamous Cell Carcinoma）。该疾病在男性及50岁以上人群中更常见，印度等地区因槟榔、烟草与酒精等暴露因素负担沉重。早期诊断是改善生存的关键，但组织病理学（Histopathological）检查依赖专家、耗时长且主观性强。传统图像处理方法多停留在直方图均衡与滤波阶段，难以刻画复杂上皮异型与间质浸润模式。因此，研究人员希望借助人工智能（AI，Artificial Intelligence）与深度学习，构建可辅助病理医生区分正常口腔上皮与OSCC的自动化分类机制。
该研究发表于《Diagnostics》。研究人员在696张苏木精—伊红（H&E，Hematoxylin and Eosin）染色公开组织病理学图像上，比较ViT、CLIP、ConvNeXtV2、DeiT、DINOv2、ViT-B/32等预训练模型作为固定特征提取器的性能，并提出一种融合ViT-L/16、DINOv2与ConvNeXtV2特征的混合框架，用高效通道注意力（ECA，Efficient Channel Attention）门控模块重加权拼接后的2560维特征，再以经典机器学习分类器完成二分类。结论上，单模型准确率约84%，所提ECA—Gated Features混合模型在K近邻（KNN，K-Nearest Neighbors）分类器下达到89.95%准确率、89.82%加权F1分数与89.95%灵敏度，说明卷积局部特征与Transformer/DINOv2全局语义特征互补可提升OSCC判别能力，对病理决策支持具有重要意义。
关键技术方法上，研究人员使用来自230名患者的201张正常口腔上皮与495张OSCC的H&E图像，400×放大，Leica ICC50 HD显微镜采集，未做数据增强。以七种预训练骨干作固定特征提取器：ViT-B/16、ViT-L/16、CLIP ViT-B/32、ConvNeXtV2-Tiny、DeiT-B/16、DINOv2-Base、ViT-B/32。取ViT-L/16的1024维、DINOv2-Base的768维、ConvNeXtV2-Tiny的768维拼接为2560维表示；ECA-Gate以批轴平均得到压缩向量，用一维卷积加sigmoid生成[0,1]通道门控权重，配合辅助线性分类头以交叉熵监督训练30轮，AdamW学习率1×10?3、权重衰减1×10?4、批大小256；门控后特征经StandardScaler标准化，再入KNN、SVM、决策树（DT，Decision Tree）、朴素贝叶斯（NB，Na?ve Bayes）、线性判别（LD，Linear Discriminant）等分类器。划分按70:30分层，随机种子42，Google Colab GPU环境。
研究结果部分，3.1 ViTB16模型显示，SVM准确率83.73%、F1 82.30%最优，KNN 81.82%，DT仅67.94%；说明ViT-B/16特征对简单决策边界不友好。3.2 ViTL16模型显示，KNN准确率84.69%、加权F1 84.76%最优，SVM 81.34%，NB 63.16%；大体量ViT特征更适合非参数近邻分类。3.3 ClipViTBase32模型显示，KNN 81.34%最佳，SVM 71.77%、DT 59.81%、LD 59.33%；CLIP在专科组织病理任务上语义对齐收益有限。3.4 ConvNextV2模型显示，SVM准确率84.21%、加权精度84.84%领先，LD 75.12%；卷积局部形态学迁移能力强、假阴性低。3.5 DeitBase16模型显示，KNN 78.95%最佳，SVM 73.68%，LD约55.50%；蒸馏令牌未被分类器充分利用，泛化弱于其他Transformer。3.6 Dinov2模型显示，SVM 83.25%、KNN 82.78%、LD 73.68%；自监督特征质量高且类别无关。3.7 ViTB32模型显示，KNN 83.25%、加权F1 83.58%最佳，SVM 80.38%；大patch提高效率但保留鉴别力。3.8 所提方法先融ViT-L/16+DINOv2，KNN准确率87.56%、F1 87.68%，此前失利的LD升至86.12%；再加入ConvNeXtV2后，KNN达89.95%准确率、89.82% F1、错误率10.05%，灵敏度94.63%、阳性预测值（PPV，Positive Predictive Value）91.56%、平衡准确率86.48%、马修斯相关系数（MCC，Matthews Correlation Coefficient）0.7496、Cohen’s kappa 0.7483；证明ECA门控使融合特征更具线性可分性与临床稳健性。
讨论部分指出，单纯CNN或单纯Transformer在口腔组织病理分类中均非最优，DeiT与CLIP未微调时仅60%—78%；DINOv2无标签自监督仍约83%，故被选入混合骨干。混合模型把ConvNeXtV2局部形态、ViT-L/16与DINOv2全局语义及ECA通道重加权结合，使正常与OSCC两类错误同步下降。局限包括：图像级划分可能使同一患者样本跨训练/测试集；仅单数据集、单划分，缺患者级与多中心外部验证；未与病理专家或临床计算机辅助系统直接比对。未来应做患者级、跨中心验证、受控消融、可解释人工智能（XAI，Explainable Artificial Intelligence）与病理医生协同评估。
结论部分译为：组织病理学检查在口腔癌诊断中居核心地位，但判读耗时且需专科经验。研究人员开发融合ViT-L/16、DINOv2与ConvNeXtV2并通过ECA–Gated Features合并机制的混合深度学习模型，用于正常口腔上皮与OSCC自动分类；在当前实验设置下，该混合模型取得89.95%最高准确率。结果表明，卷积、Transformer与自监督模型特征表示互补，可更好区分正常口腔上皮与OSCC。结果应置于当前数据集与实验设计语境中解释：本研究未能进行患者级区分与外部验证，未系统评估鲁棒性、可解释性、计算效率及与专家病理医生直接比较。需在独立且最好多中心的数据集上开展患者级验证，以判断该方法在不同人群中的成效及对临床决策支持的贡献。未来还应研究受控鲁棒性与可解释性分析、计算效率，以及该模型在肿瘤分割等组织病理诊断中的拓展。
