《Frontiers in Oncology》：Residual-SwishNet: a deep learning-based approach for reliable lung cancer classification
编辑推荐：
本综述系统介绍了一种名为Residual-SwishNet的新型深度学习模型，该模型通过将ResNet50中的传统ReLU激活函数替换为Swish函数，并在分类模块前集成三个全连接层，显著提升了肺癌CT影像分类的准确性。研究在LUNA16和IQ-OTH/NCCD两个公开数据集上验证了模型效能，分类准确率分别达99.60%和99.11%，有效解决了特征提取不优、分类精度不足及数据集泛化能力有限等问题。该模型通过交叉熵损失函数缓解类别不平衡，为肺癌早期诊断提供了可靠工具。
引言
肺癌是全球癌症相关死亡的主要原因之一，准确早期诊断对改善患者预后至关重要。现有计算机辅助检测系统常面临特征提取不优、分类精度低及数据集泛化能力有限等挑战。本文提出Residual-SwishNet这一深度学习新方法，旨在提升肺癌分类的可靠性和鲁棒性。
方法
Residual-SwishNet基于ResNet50框架改进，核心创新包括：
- 1.
在特征工程阶段以Swish激活函数替代传统ReLU，利用其平滑非单调特性增强梯度传播与特征计算能力；
- 2.
在分类模块前引入三个全连接层，以丰富特征表示；
- 3.
采用Softmax输出层与交叉熵损失函数，有效应对类别不平衡问题。模型训练使用Adam优化器，学习率设为0.0001，批量大小为32，数据集按70%/10%/20%划分训练、验证和测试集。
结果
在LUNA16和IQ-OTH/NCCD数据集上的实验表明，模型准确率分别达99.60%和99.11%，精确率、召回率和F1分数均超过99%。混淆矩阵显示，LUNA16数据集中良性结节分类正确率99.84%，恶性为99.79%；IQ-OTH/NCCD数据集中正常、良性和恶性类别分类正确率分别为99.89%、99.85%和99.78%。ROC曲线下面积（AUC）分别为0.97和0.98，进一步验证模型强泛化能力。
讨论
Residual-SwishNet在多项指标上优于现有先进技术，如EfficientNet系列、DenseNet121等。其成功归因于Swish函数对负值的保留能力，提升了低对比度医学图像中的特征学习效果；新增全连接层增强了语义特征提取能力；交叉熵损失则缓解了类别不平衡影响。梯度加权类激活映射（Grad-CAM）热力图显示模型关注区域与肺癌结节临床位置高度吻合，提升了结果可解释性。
结论
Residual-SwishNet通过结构优化显著提升肺癌CT影像分类性能，具备临床转化潜力。未来工作将聚焦多中心数据验证、三维体积信息整合及实时临床部署优化。
