编辑推荐：
为解决前庭神经鞘瘤（VS）多模式识别模型特征提取不佳、模型超参数难调等问题，研究人员开展自动 VS 识别研究。他们构建 DMFP 模型并结合 KDMPSO 算法，实验效果良好，提高诊断效率，降低优化成本。
在医学领域，疾病的准确诊断是有效治疗的关键前提。前庭神经鞘瘤（Vestibular schwannoma，VS），这个听起来有些陌生的名字，其实是一种常见的颅内肿瘤。它就像一颗隐藏在大脑中的 “定时炸弹”，如果持续生长，会压迫脑干和小脑，引发听力受损、耳鸣、头晕，甚至危及生命。目前，医生主要依靠磁共振成像（Magnetic Resonance Imaging，MRI）的特定参数扫描来诊断 VS。然而，传统的诊断方式依赖医生人工查看 MRI 图像，不仅耗时费力，还带有很强的主观性。不同医生的经验和判断标准存在差异，这可能导致诊断结果出现偏差，进而影响患者的治疗时机和效果。
与此同时，随着深度学习技术的发展，卷积神经网络（Convolutional Neural Networks，CNNs）在医学影像诊断领域展现出巨大潜力。但在 VS 的诊断应用中，仍面临诸多挑战。一方面，MRI 的不同模式（如对比增强 T1 加权（ceT1）模式和高分辨率增强 T2 加权（hrT2）模式）图像具有不同的分辨率和特征信息，现有的多模式识别模型难以准确提取和融合这些特征，容易造成特征丢失或融合错误。另一方面，模型的超参数大多需要专业人员通过大量 “试错” 实验手动调整，不仅成本高昂，而且难以平衡模型准确性、训练时间等多个目标。
为了攻克这些难题，来自未知研究机构的研究人员开展了一项极具意义的研究。他们致力于构建一种全自动的 VS 识别系统，期望通过创新的技术方法，提高 VS 诊断的效率和准确性，降低诊断成本。研究成果发表在《Biomedical Signal Processing and Control》上，为 VS 的诊断带来了新的希望和方向。
在这项研究中，研究人员运用了多种关键技术方法。首先，构建了双模式多通道特征感知（Dual - Mode Multi - Channel Feature Perception，DMFP）模型。该模型采用并行路径，可在多个 CPU 上高效并行化，从两种模式、不同分辨率的疾病图像中提取不同尺度的特征并融合。其次，提出了基于 Kullback–Leibler（KL）-Dropout 网络的代理辅助多目标粒子群优化算法（Surrogate - Assisted Multi - Objective Particle Swarm Optimization Algorithm based on the KL - Dropout Network，KDMPSO）。通过构建基于 KL 散度评估的代理模型，降低计算成本，并结合多目标粒子群优化算法优化目标模型。
DMFP 模型总体框架
深度通常是神经网络的重要特征，它能增强模型的表征能力，帮助学习更抽象的特征。但在实际的 VS 评估中，结合 MR ceT1 模式图像和 hrT2 模式图像进行联合决策非常耗时。研究人员构建的 DMFP 模型，突破了传统深度神经网络的局限，采用并行的方式处理不同模式的图像。这种并行子路径可以同时从两种模式的图像中提取不同尺度的特征，然后将这些不同的特征表达形式进行融合。这一设计不仅提高了模型对双模式图像的特征提取能力，还减少了模型的冗余，加快了训练速度。
基于 KL - Dropout 网络的代理辅助多目标粒子群优化算法（KDMPSO）
在构建好 VS 识别模型后，确定模型的超参数是一个难题。以往需要神经网络专家进行多次试错实验来微调模型，以达到更好的识别效果。同时，影响识别模型性能的各种客观条件（如模型训练时间和模型精度）之间存在权衡关系。KDMPSO 算法的提出很好地解决了这些问题。通过构建基于 KL 散度评估的代理模型，降低了实际计算的成本。然后，将其与基于种群划分的多目标粒子群优化算法相结合，对目标模型进行优化。最后，通过辅助模型管理策略，实现代理模型对真实模型的自适应逼近拟合。将该算法应用于 DMFP 模型，在考虑多个目标的同时，实现了对模型中 11 个关键参数的自适应优化，增强了模型设计的可解释性和泛化性。
相关测试问题和数据集
研究人员在配备 Intel Core i5 - 9400F CPU 和 Windows 10 系统的计算机上设计并实施了实验，在 PlatEMO 平台上比较算法以获得实验结果。为全面分析 KDMPSO 算法的性能，他们选择了 DTLZ 和 WFG 测试问题集作为基准测试问题集，并在基于 KL - Dropout 网络的代理模型中神经元数量选择等方面验证了该算法的有效性。
研究人员通过一系列实验，验证了 DMFP 模型和 KDMPSO 算法的有效性。在基准测试问题中，KDMPSO 算法达到了最优水平。将 KDMPSO 算法与 DMFP 模型相结合后，在对比实验中展现出更高的准确率，并且模型的计算量可控。这表明该方法能够有效提高 VS 识别的准确性，同时在实际应用中具有良好的可行性和泛化性。与其他基线模型相比，该方法在使用 VS 数据集进行高维参数自适应研究时，能以相对较低的成本经过少量真实评估，获得几组性能较好、满足实际需求的解决方案。
这项研究成果意义重大。从临床角度来看，该研究构建的全自动 VS 识别系统，能够提高 VS 诊断的效率和准确性，减少医生的工作量和主观判断带来的误差，为患者提供更及时、准确的诊断结果，从而改善患者的治疗效果和预后。从技术层面而言，研究人员提出的 DMFP 模型和 KDMPSO 算法，为医学影像诊断领域的多模式识别和模型优化提供了新的思路和方法，有助于推动相关技术的进一步发展。未来，有望在此基础上进一步优化模型和算法，拓展其在其他疾病诊断中的应用，为医学健康事业做出更大的贡献。
