摘要
医学影像技术的飞速发展推动了医学影像数据的指数级增长，为疾病诊断提供了前所未有的支持，但也带来了新的挑战。深度学习技术凭借其强大的数据处理能力和精准的预测性能，极大地优化了医学影像的分析流程，可以辅助医生诊断，提高工作效率，这种技术的融合也为未来的医学研究和实践探索了新的可能性。 然而，疾病发病率差异导致数据集中存在严重的样本类别不平衡问题，会引导模型产生预测偏向，忽视少数类别；同时深度学习模型缺乏决策过程的解释能力，其“黑箱”特性影响了医生和患者对诊断结果的信任度。针对上述挑战，本文的创新工作如下： (1)针对皮肤病理图像中细微病变特征可能在传统CNN特征提取过程中被遗漏的问题，提出了一种创新的通道特征选择CFS模块。该模块通过多通道注意力计算机制，能够精准识别并放大对分类结果具有重要贡献的特征点，同时抑制无关特征点，从而有效解决了特征丢失问题，缓解了类别不平衡对模型性能的负面影响，提升了模型的泛化能力和诊断准确性。 (2)研究设计了一个多标签诊断模型，使得模型能够在分析医学图像的同时考虑多个关键指标。将这些评分标准作为先验知识融合到深度学习模型中，不仅增强了模型的判别能力，也为每个预测结果提供了清晰的评估依据，提高了诊断的可解释性和准确性。其中，改进焦点损失函数的类平衡模块有效缓解了类别不平衡造成的影响，并提出课程学习融合模块，进一步提升了模型在医学诊断中的解释能力和准确度。 (3)针对咽喉反流性疾病，研究中将反流体征评分量表融合到深度学习模型中做喉镜反流检测，对RT-DETR目标检测模型的编码器模块进行了改进，提出DFS-DETR模型，使其能更好地适应这一特定的医疗场景。通过引入反流体征评分量表，模型能够在分析喉镜图像时精确地识别并评分反流症状的关键体征，如声带水肿、后连合增生等。这种方法不仅提升了对咽喉反流疾病的检测精度，也模拟了医生评估病症的逻辑过程，实现了诊断结果的直接输出和量化评分，大大增强了诊断过程的可解释性和临床实用价值。
NETL