《Journal of Imaging Informatics in Medicine》：A Hybrid Lightweight Deep Learning Framework for Colorectal Cancer Detection Using an Adaptive Gated Feature Fusion and Grid Search–Based Hyperparameter Optimization
编辑推荐：
结直肠癌的及时精准诊断是提升患者护理质量、改善预后的关键领域。尽管深度学习在组织病理图像分析中展现出巨大潜力，模型准确性仍受网络架构、优化方法及数据不平衡等多因素影响。本研究旨在探索不同优化算法对CRC-VAL-He-7 K数据库中结直肠癌分类的影响。研究人员
结直肠癌的及时精准诊断是提升患者护理质量、改善预后的关键领域。尽管深度学习在组织病理图像分析中展现出巨大潜力，模型准确性仍受网络架构、优化方法及数据不平衡等多因素影响。本研究旨在探索不同优化算法对CRC-VAL-He-7 K数据库中结直肠癌分类的影响。研究人员设计并测试了一种混合轻量级（HYL）模型，并与CNN、DeeperCNN、ResNetLike、DenseNet121、EfficientNetB0及L2RMLP架构进行对比。为提高模型可靠性，采用网格搜索（grid search）进行超参数自动调优，并通过数据增强（data augmentation）和类别加权学习（class-weighted learning）技术解决类别不平衡问题：在相同实验条件下评估了五种优化器：Adam、AdamW、RMSprop、SGD和Adadelta。结果表明，模型架构与优化器选择均对分类结果产生深远影响。所提出的混合轻量级模型在较低计算资源需求下提供了具有竞争力的准确性，而EfficientNetB0和DenseNet121展现出最佳整体性能。统计分析结果亦显示所评估的模型-优化器组合之间存在显著差异。研究结果为设计有效且准确的结直肠癌诊断深度学习系统提供了实际应用价值，并强调了优化策略与数据平衡方法在医学图像分类中的必要性。
论文解读
一、研究背景与问题
结直肠癌（Colorectal Cancer, CRC）是全球最常见的癌症类型之一，也是癌症相关死亡的主要原因之一，其发病率逐年上升。该癌症起源于结肠或直肠，常以良性息肉形式出现，若诊断延迟可能转化为癌性肿瘤。早期诊断是治疗成功的关键，然而临床实践中，专业人员通常通过人工检查医学图像和切片进行诊断，该过程耗时且结果因诊断者的技能水平而异，导致诊断结果不一致，并加重了该领域经验丰富的专家的负担。
近年来，深度学习在医学图像分析领域展现出巨大潜力，包括弱监督Transformer计算病理系统、迁移学习与集成方法结合可解释性技术等。然而，现有研究仍存在若干问题：其一，已有研究主要集中于通过深层架构（如CNN）或迁移学习提升模型准确性，但对优化器、超参数敏感性、训练稳定性等方面的关注不足；其二，当前工作大多局限于二分类任务，未考虑结直肠组织变异的复杂性；其三，模型性能通常在特定训练设置下报告，难以评估模型在不同优化条件下的稳定性。基于上述问题，本研究提出一种用于结直肠癌分类的混合轻量级模型，重点强调不同优化器对模型性能与稳定性的影响，旨在开发更高效、更稳定的结直肠癌分类方法。
二、研究内容与意义
本研究在CRC-VAL-He-7 K数据集（包含7000张128×128像素的组织病理灰度图像，涵盖脂肪组织（ADI）、背景（BACK）、碎片（DEB）、淋巴细胞（LYM）、黏液（MUC）、平滑肌（MUS）、正常黏膜（NORM）、间质（STR）和肿瘤（TUM）九个类别）上评估了混合轻量级模型与多种深度学习架构在不同优化设置下的性能表现。研究结果表明，模型架构与优化器选择均对分类结果产生显著影响：EfficientNetB0和DenseNet121展现出最佳整体性能，而所提出的混合轻量级模型在较低计算资源需求下提供了具有竞争力的准确性。该研究为设计有效且准确的结直肠癌诊断深度学习系统提供了实际应用价值，并强调了优化策略与数据平衡方法在医学图像分类中的必要性。
三、关键技术方法
研究人员主要采用了以下关键技术方法：其一，构建了双路径轻量级架构网络，采用MobileNet启发和EfficientNet启发的互补路径，分别提取局部纹理特征和高层语义特征；其二，引入自适应门控特征融合（Adaptive Gated Feature Fusion, AGFF）机制，学习两条路径的相对贡献并自适应地融合互补表征；其三，集成通道-空间细化（Channel-Spatial Refinement, ACSR）模块，强调与组织病理分类相关的信息特征通道和空间区域；其四，采用网格搜索（grid search）进行超参数自动调优，评估了学习率（0.001、0.01、0.1）、批大小（16、32、64）、丢弃率（0.3、0.5、0.7）和隐藏单元数（32、64、128）的组合；其五，在相同实验条件下评估了五种优化器：Adam、AdamW、RMSprop、SGD和Adadelta；其六，通过数据增强（随机旋转、水平与垂直翻转、随机裁剪）和类别加权损失函数解决类别不平衡问题；其七，数据按70%训练、15%验证、15%测试的比例划分，且同一患者的图像仅纳入单一子集以避免数据重叠。
四、研究结果
自动化超参数配置。 通过网格搜索确定最佳超参数组合，所有模型以50个epoch训练。结果显示优化器选择显著影响模型性能：Adadelta在所有模型中表现较差，而Adam、AdamW及部分情况下的SGD提供满意且稳定的结果。CNN表现不佳，但随架构复杂度增加而改善。DenseNet121和EfficientNet-B0整体表现最佳，其中EfficientNet-B0以RMSprop训练时准确率达98%，变异性低。所提出的混合轻量级模型使用AdamW优化器达到91%准确率。
训练动态与ROC分析。 训练和验证损失随epoch增加而下降，前几个epoch急剧下降后逐渐收敛，验证损失紧密跟踪训练曲线，表明模型成功分类数据且无过拟合迹象。ROC曲线显示所有类别的AUC值均为1.00，表明模型具有良好的类别区分能力。
模型性能对比。 各模型平均分类准确率中，EfficientNetB0最高达98.70%，DenseNet121次之达97.22%，ResNetLike为85.99%，DeeperCNN为83.67%，HybridLightweight为84.60%，CustomCNN仅为73.65%，L2RMLP最低为51.02%。在准确率、精确率、召回率和F1分数四项指标上，EfficientNetB0和DenseNet121均表现最佳。
统计分析。 采用Shapiro-Wilk检验评估各模型-优化器组合的指标正态性，若符合正态性（p>0.05）则使用参数统计，否则使用非参数统计。两因素方差分析（two-way ANOVA）结果显示模型因素（F=72.03，p<0.001）和优化器因素（F=150.20，p<0.001）均显著，且模型与优化器之间存在显著交互效应（F=9.07，p<0.001），表明优化器效应依赖于所用模型，没有单一优化器适用于所有模型。Kruskal-Wallis检验显示不同模型与优化器组合间存在显著性能差异（H=98.77，p<0.001）。
五、讨论与结论
研究系统比较了不同优化条件下深度学习架构的性能，通过网格搜索进行超参数优化，并采用数据增强和类别加权学习等方法解决类别不平衡问题。所提出的混合轻量级模型在分类准确性和计算效率方面均取得满意结果，而EfficientNetB0和DenseNet121优于其他测试模型。研究结果表明网络架构与优化器选择之间的交互作用对模型性能有重大影响。
然而，研究仍存在局限性：仅使用单一开放获取数据集，结果可能无法代表方法在体内条件下的性能；研究局限于少数典型结构和优化技术。未来工作可考虑使用更大规模、更多样化的多中心数据集，探索更先进的优化过程、自动化机器学习、基于Transformer的方法以及更复杂的不平衡类问题解决方案。在标注组织病理数据有限的情况下，也可评估自监督预训练和参数高效适配策略。
