《Frontiers in Oncology》：An integrated AI-enabled system using One Class Twin Cross Learning for early gastric cancer detection
编辑推荐：
本综述提出了一种整合AI成像系统，通过单类孪生交叉学习（OCT-X）算法与快速双阈值网格搜索策略（FDT-GS），结合NI CompactDAQ硬件平台与LabVIEW多速率处理，实现了早期胃癌（EGC）的精准实时检测。该系统在四类胃部病变（GU/GRS/GPs/GB）检测中平均AUC达93.13%，诊断准确率提升4.47%，多速率适应性提高10%，为嵌入式临床诊断提供了高效、非侵入性新方案。
背景
胃癌是全球癌症相关死亡的主要原因之一，早期检测因现有诊断技术的局限性而面临高误诊率和漏诊率挑战。传统内镜检查具有侵入性且依赖主观判断，而AI辅助诊断系统在应对极端类别不平衡和未标记数据时存在不足。
方法
研究团队开发了一套整合AI成像系统，核心创新为单类孪生交叉学习（OCT-X）算法。该算法通过快速双阈值网格搜索（FDT-GS）策略对胃镜图像进行分块预处理，结合灰度共生矩阵（GLCM）特征融合与基于残差网络（ResNet-50）的斑块级全卷积网络，实现病变区域的精准分割。硬件平台采用一体化床旁检测（POCT）设备，集成NI CompactDAQ数据采集系统与LabVIEW多速率并行处理模块，支持5G无线传输与自适应调制技术，动态优化信噪比（SNR）条件下的数据传输效率。
结果
系统在四类EGC病变（GU、GRS、GPs、GB）检测中平均AUC达93.13%，最高在GRS检测中达到96.32%。与现有主流模型相比，OCT-X在AUC指标上相对DROCC、OC-SVM、DOC和HDLM（XGBoost）分别提升4.96%、18.65%、15.72%和14.42%。多速率适应性提升10%，显著增强不同成像条件下的鲁棒性。可视化结果（图5C）显示模型在真阳性（TP）与真阴性（TN）分布上边界清晰，误报（FP）与漏报（FN）显著低于对比模型。
结论
OCT-X框架通过双路径交叉学习与嵌入式实时优化，有效解决了EGC检测中的类别不平衡与数据噪声问题。其高精度与多速率自适应能力为临床资源受限环境提供了可靠的决策支持工具，未来可结合液体活检、分子诊断等技术进一步推动精准肿瘤学发展。
