基于注意力增强扩张瓶颈网络的肾脏疾病分类研究成果显著

《Scientific Reports》：An attention enhanced dilated bottleneck network for kidney disease classification

为解决肾脏疾病分类难题，研究人员构建 DBAR_Net 模型，分类精度达 98.86%，意义重大。

　　在医学领域，肾脏疾病如同隐藏在身体深处的 “定时炸弹”，时刻威胁着人们的健康。肾脏疾病形式多样，像肿瘤、结石和囊肿等，每种疾病的成因、症状和治疗方法都大相径庭。若未能及时发现和治疗，肾脏问题可能会引发严重并发症，甚至发展成肾癌，后果不堪设想。

目前，传统的肾脏疾病分类方法主要依靠医生手动检查医学图像或评估临床数据，这种方式不仅耗费时间和精力，还容易受到主观因素的影响，导致诊断不准确。而计算机辅助技术（CAx）虽借助机器学习算法，尤其是深度学习模型进行自动分类，但仍面临着诸多挑战，如复杂重叠的特征难以区分，模型的泛化能力和解释性有待提高等。

为了攻克这些难题，来自印度韦洛尔理工大学（Vellore Institute of Technology）的研究人员展开了深入研究。他们构建了一种名为扩张瓶颈注意力肾脏网络（Dilated Bottleneck Attention-based Renal Network，DBAR_Net）的新型模型，旨在实现肾脏疾病的自动诊断和分类。该研究成果发表在《Scientific Reports》上，为肾脏疾病的诊断带来了新的曙光。

研究人员在这项研究中主要运用了以下几种关键技术方法：首先，使用来自 CT KIDNEY DATASET 的公开数据集，包含 8750 张 CT 图像，这些图像被分为正常、囊肿、肿瘤和结石四类。其次，构建 DBAR_Net 模型，该模型整合了自定义的双重卷积层归一化块（CLN_b1和 CLN_b2）、双瓶颈注意力模块（A_bam1和 A_bam2）以及扩张卷积层归一化块（DCLN_b），并进行多特征融合。最后，利用 Anaconda 环境和 Jupyter Notebook 进行模型训练和评估，使用 OpenCV 库进行数据增强，借助 Tensor Flow 框架开发模型。

研究结果如下：

• 数据集描述：所用数据集来自孟加拉国多家医院诊断为肾脏疾病患者的 CT 图像，包含 2500 张肾囊肿、1370 张肾结石、2200 张肾肿瘤图像及其他正常肾脏图像，像素分辨率为 705×569，96×96 dpi。
• 实验设置与系统配置：在特定系统配置下，利用 Anaconda 环境和 Jupyter Notebook，结合 OpenCV 和 Tensor Flow 框架进行模型训练与评估。
• 数据增强：对训练集进行数据增强，如像素值归一化、剪切变换、随机缩放和水平翻转，测试集仅进行归一化处理。
• 超参数调整：确定学习率为 0.001、epoch 为 35、批量大小为 30 等超参数，以优化模型训练。
• 模型训练与验证：将数据集按 80:20 划分为训练集和验证集，对比转移学习模型和 DBAR_Net 模型的训练和验证损失及准确率，结果显示 DBAR_Net 模型表现更优。
• 训练模型的可视化特征：模型内部层生成的特征图能直观展示学习到的模式，有助于理解模型决策过程。
• 评估指标：采用准确率、精确率、召回率、F1 分数和支持度等指标评估模型性能，DBAR_Net 模型在各项指标上表现出色，总体准确率达到 98.86%。
• 消融研究：通过消融研究分析模型各模块作用，结果表明各模块组合能提升模型性能，DBAR_Net 模型在训练和测试中的分类准确率分别达到 99.32% 和 98.86%。此外，DBAR_Net 模型计算效率高，模型大小仅 7.91MB，参数为 2,074,756，每个 epoch 计算时间短，且通过 Grad-CAM 和 SHAP 可视化技术增强了模型的可解释性。
• 模型扩展性测试：使用马铃薯叶病数据集测试 DBAR_Net 模型的扩展性，结果显示模型在该数据集上也有较高的准确率和鲁棒性。
• 与现有技术的比较：与其他先进模型相比，DBAR_Net 模型在肾脏疾病分类上具有更高的准确率，展现出其优越性。

研究结论和讨论部分指出，DBAR_Net 模型通过多模块协同工作，有效提高了肾脏疾病分类的准确率。自定义的双重卷积层归一化块提升了模型的收敛速度和鲁棒性；瓶颈注意力模块增强了卷积特征的可解释性和泛化能力；扩张卷积层归一化块获取了更丰富的上下文信息。该模型在计算效率和可解释性方面也具有显著优势，能帮助医学检查人员更准确地诊断肾脏疾病。然而，研究也存在一定的局限性，未来可进一步优化 DBAR_Net 模型架构，整合多模态数据，改进转移学习策略，以提高肾脏疾病分类的准确性和临床适用性，为肾脏疾病的诊断和治疗提供更有力的支持。