编辑推荐：
为解决细胞微核图像检测难题，研究人员构建 MobileViT-MN 模型，性能优异，助力医学检测。
在细胞的微观世界里，隐藏着许多关乎人体健康的秘密，细胞微核（Micronucleus）就是其中之一。细胞微核是细胞核中的异常小结构，作为早期肿瘤诊断的关键指标，它能敏锐地反映细胞 DNA 的损伤情况。比如，遗传变异、环境暴露以及药物反应等因素，都可能促使微核形成。过往，科学家们为了探索微核的奥秘，采用手动特征提取的方法来检测微核，像 Toossi 开发的外周血涂片分析自动评分系统，还有 Lepage 在定量显微镜下对微核计数的优化等。然而，这些传统方法在面对复杂的医学图像时，就像在迷雾中摸索，常常被图像的复杂结构和噪声干扰，难以精准地检测和分析微核。
近年来，深度学习凭借其强大的学习能力和处理大规模数据的高效性，在医学图像分析领域掀起了一股热潮，AlexNet、GoogLeNet、ResNet 等深度学习算法纷纷崭露头角。但细胞微核图像分析有着独特的挑战，微核体积微小，在细胞整体中目标尺寸相对较小，检测难度极大；它与细胞核在形态和灰度特征上极为相似，分类区分困难；而且获取标注的微核细胞图像数据耗时费力，导致训练样本数据稀缺；实际中，含微核的细胞数量远少于正常细胞，存在严重的类别不平衡问题。现有的深度学习方法虽然在微核检测方面取得了一些进展，但都未能全面解决这些难题。
为了突破这些困境，西北师范大学计算机科学与工程学院的研究人员开展了深入研究。他们构建了一种名为 MobileViT-MN 的轻量级网络，创新性地集成了多层感知注意力机制。研究结果显示，MobileViT-MN 在增强的细胞微核数据集上表现卓越，Avg_Acc 达到 0.933，F1 分数为 0.971，ROC 分数为 0.965，在分类性能上超越了其他经典算法。这一成果发表在《Scientific Reports》上，为细胞微核检测带来了新的曙光。
研究人员在研究中用到了几个主要关键技术方法。首先是基于 MobileViT 架构进行改进，设计了轻量级 CNN-Transformer 混合架构。其中，MV2-DD 模块引入基于 SE 注意力机制的深度分离 - 分散模块，用于特征提取；MobileViT block-DD 模块通过深度放大和参数减少、集成 NAM 注意力机制等策略，实现对不同尺寸和形态微核的稳健检测。其次，采用数据增强技术，对少数类（微核图像）进行增强，多数类下采样，以解决类别不平衡问题。此外，运用迁移学习，将在 ImageNet 数据集上预训练的 MobileViT 模型参数应用到当前任务，并利用特定任务数据优化参数。
下面来看具体的研究结果：
- 实验设置：使用 TVZD 数据集，图像尺寸为 224×224，批量大小为 64，初始学习率设为 0.001，采用 PyTorch 深度学习框架，在 ImageNet 上预训练，训练 50 个 epoch，代码基于 Python3.8，在 RTX 2080 Ti（11GB）GPU 上执行1。
- 数据集描述和划分：数据集来自某省疾病预防控制中心放射学实验室，由专家医师预标注，包含含微核细胞图像和正常细胞图像两类。通过随机旋转、翻转和缩放等数据增强技术，按 6:2:2 的比例将数据集划分为训练集、验证集和测试集23。
- 注意力模块的影响验证：进行了十组综合实验，评估不同注意力机制组合和 MobileViT block-DD 模块中 Transformer 块数量的影响，结果表明不同组合对模型性能有显著影响，找到合适的组合能在特征提取能力和计算效率间取得平衡4。
- 消融实验：通过逐步添加改进模块进行消融实验，结果显示每个增强模块都对模型性能有积极贡献，从 Model_no_trans 到 Model_trans_DSC_SE_NAM，平均准确率逐步提升，证明了所提组件在增强特征表示和学习能力方面的有效性56。
- 对比实验：对多个卷积神经网络模型进行比较，MobileViT-MN 在 Avg_Acc、F1 和 ROC 等指标上表现出色，这得益于其有效的特征提取模块、针对小目标的设计以及轻量级架构，使其能更好地应对微核分类中的挑战78。
在研究结论和讨论部分，MobileViT-MN 模型成功解决了细胞微核分类中的小目标检测、特征保留和数据有限等难题，在保持轻量级架构（仅 1.37M 参数）的同时，展现出优异的性能。其高 ROC 值（0.965）、高 F1 分数（0.971）和高平均准确率（0.933），在早期癌症筛查、减少误诊、量化辐射暴露人群微核频率以及精准评估辐射剂量反应等方面具有重要的临床意义。不过，研究人员也指出，未来还有许多工作需要开展。他们计划进一步评估模型在不同条件下的训练效率和稳健性，探索更先进的小样本不平衡数据处理技术，优化模型架构以平衡计算复杂度和检测精度。这些后续研究将为医学图像分析和细胞研究领域注入新的活力，推动相关领域不断向前发展。
