基于多域成像特征与机器学习模型的肺鳞癌与腺癌分类研究及其临床转化潜力

来自多领域的研究团队针对深度学习分类非小细胞肺癌（NSCLC）病理亚型需依赖大数据与高算力的问题，开发了一种融合多域手工特征与传统机器学习模型的轻量化方案。研究通过提取组织病理学、物理学、数学等多维度特征，结合随机森林特征选择与支持向量机（SVM）分类器，在内部验证中达到最高准确率0.85与AUC 0.89，外部验证中保持0.84准确率与0.85 AUC，为临床资源受限场景提供了高效可靠的分类路径。

　　

针对深度学习在非小细胞肺癌（NSCLC）组织病理亚型分类中对大规模数据与高性能计算资源的依赖问题，研究者提出了一种融合多领域手工特征与经典机器学习模型的轻量化替代方案。团队构建了包含644例NSCLC组织切片图像的中等规模数据集，系统提取了涵盖传统组织病理学指标（如角化区域、腺体分化）、物理特性（熵值、分形维度）、数学描述符（Hu矩、DCT/FFT能量谱）、视觉美学特征（色彩饱和度、主色调）、核形态参数（细胞核周长/面积）、统计分布指标（百分位数、离散度）以及计算机视觉特征（方向梯度直方图HOG、关键点）等多维度特征集。通过随机森林算法进行特征筛选后，采用支持向量机（SVM）、梯度提升、逻辑回归与决策树等分类器进行训练，并以五折交叉验证评估性能指标（准确率、召回率、F₁-score与AUC）。结果表明：多域特征结合SVM模型在交叉验证中取得最优表现（准确率0.85，AUC 0.89），梯度提升模型紧随其后（准确率0.84，AUC 0.87）。在95例外部独立验证集上，SVM模型仍保持稳健性能（准确率0.84，AUC 0.85），证实该方法具备良好的泛化能力。该研究证实基于多域特征工程的机器学习方案可在无需GPU与大样本的条件下实现高质量的NSCLC亚型分类，为临床病理诊断提供了计算高效、易于部署的实用化技术路径。