《Radiation Physics and Chemistry》：Automated Artificial Intelligent Approach for Enhancing Bone Cancer Detection through Hybrid Feature Extraction and Adaptive Elman Recurrent Neural Network
编辑推荐：
骨癌检测的深度学习模型研究提出基于HCNNet（GCNN与RNeXt-RA结合）的特征提取和AERNNet检测框架，通过EFANO-RRP优化算法提升性能，5折验证准确率达96.89%，特异性99.73%。
Vinston Raja R|Kaliraj V|M. Mangaleswaran|N.S. Usha|R. Dharaniya
计算智能系，工程与技术学院，计算机学院，SRM科学技术学院，Kattankulathur，金奈 603203，印度
摘要 骨癌是一种严重的疾病，常常导致患者死亡。为了评估肿瘤并识别癌细胞，处理医学图像至关重要。本文应用了一种深度学习方法来识别骨骼特征。这些图像是通过显微镜获得的，这是一个耗时的过程。由于图像质量不佳，传统方法无法识别癌细胞。为了提高患者的生存机会，本文提出了一种智能的深度学习模型来检测潜在致命的骨癌。首先，将收集到的图像输入到混合卷积神经网络（HCNNet）中，该网络包括图卷积神经网络（GCNN）和带区域注意力的ResNeXt（RNeXt-RA）进行特征提取。特征提取从图像中获取关键信息，从而减少了骨癌检测所需的总时间。最后，使用改进的远近优化与精细随机参数（EFANO-RRP）调整参数，以优化自适应埃尔曼递归神经网络（AERNNet）的性能。通过实验验证证明了所提出模型的有效性。在5折交叉验证中，EFANO-RRP-AERNNet的准确率为96.89%，精确率为96.87%，特异性为99.73%。因此，该框架能够有效检测骨癌，有助于及时治疗并降低晚期诊断带来的并发症风险。
引言 骨癌检测是医学研究中一个关键且发展迅速的领域，其目标是在尽可能早的时间内诊断和治疗骨组织中的恶性肿瘤（Zimbalist等人，2024年）。骨癌包括骨肉瘤、软骨肉瘤和尤因肉瘤等类型，如果未得到诊断或治疗，可能会产生严重后果（Alabdulkreem等人，2023a年）。过去，传统的成像技术如X光、计算机断层扫描（CT）和磁共振成像（MRI）被用于骨癌的检测，但这些技术在灵敏度、特异性和早期恶性肿瘤检测能力方面存在局限性（Whig等人，2025a年）。这些诊断上的局限性促使人们需要更准确、无创且成本效益更高的方法。人工智能（AI）和机器学习的应用成为提高骨癌检测准确性的希望解决方案（Bolleddu和Madhavi，2024a年）。基于AI的技术可以通过学习大量数据，比传统方法更有效地分析大量医学图像，从而实现更早的诊断和更准确的癌症进展预测（Alabdulkreem等人，2023b年）。这些AI技术在检测可能被人类专家忽略的细微异常方面特别有用，使其成为肿瘤学领域中不可或缺的工具（Suganeshwari等人，2023年）。
作为AI的一个子集，机器学习在骨癌检测模型的发展中变得越来越重要（Anand等人，2023年）。通过在庞大的医学图像数据库上训练算法，机器学习模型可以学会识别骨癌的模式和特征（Whig等人，2025b年）。卷积神经网络（CNN）等技术被应用于临床成像，能够高精度地自动识别和分类骨肿瘤（Dalai等人，2025年）。机器学习辅助检测方法的一个关键优势是它们能够进行图像分割，识别X光和MRI等放射照片中的特定感兴趣区域，这些区域可能表明恶性肿瘤的存在（Bolleddu和Madhavi，2024b年）。机器学习的应用使放射科医生和肿瘤学家能够通过提供更可靠和更快的诊断结果来简化他们的工作流程（Chen等人，2023年）。然而，尽管AI和机器学习技术在医学成像方面取得了巨大进展，但仍面临挑战。获得代表骨癌病例多样性的全面、高质量数据源仍然是将这些技术应用于临床实践的关键障碍之一（Wen等人，2024年）。
文献中提出了几种用于诊断骨癌的深度学习系统，每种系统针对不同的问题（Pan等人，2023年）。CNN和深度学习方法被用于将骨肿瘤图像分类为恶性或良性（Rao和Madhavi，2025a年）。例如，在深度学习研究中使用CNN对X光图像中的骨肿瘤进行分类（Kotwal等人，2025年）。使用深度学习对骨肿瘤进行分割是肿瘤检测中的一个独立问题（Shouman等人，2024年）。在医学图像中，分割包括突出肿瘤的边界，这对手术计划和治疗至关重要（Vijayaraj等人，2024年）。通过结合机器学习算法和其他医学信息（如病史和遗传信息），可以对骨肿瘤进行更全面的评估，从而帮助制定个性化的治疗计划。由于骨肿瘤在形态、大小和位置上存在很大差异，模型可靠地检测和分类它们具有挑战性。因此，建议开发一种新的骨癌检测框架来解决现有问题并识别癌细胞。
贡献 主要贡献在于开发了一种基于深度学习的先进骨癌检测系统，该系统通过混合神经网络架构进行了增强，并采用了一种先进的优化技术来微调模型性能。这些贡献共同显著提高了早期癌症检测的准确性，减少了诊断时间，并可能提高患者的生存率。
相关工作 In Kumar等人（2020年）的研究中，他们开发了一种可靠的方法来分类多发性骨髓瘤和急性淋巴细胞白血病。所提出的模型使用了深度学习技术（即CNN），以消除人为操作中的错误可能性。该系统首先对图像进行了预处理，然后使用密集卷积神经网络（DCNN）进行训练，最终预测出组织中的恶性肿瘤类型。
In Alabdulkreem等人（2023c）的研究中，提出了Owl Search算法
所开发方法及其对骨癌检测的影响 传统的骨癌检测方法虽然在临床实践中具有基础性，但存在一些重大挑战，这些挑战阻碍了早期诊断和准确评估疾病。传统方法的主要局限性之一是它们无法在肿瘤还很小或位于难以观察的区域时检测到骨癌。这些成像技术在检测小型或细微异常方面往往不够敏感，可能导致
图卷积神经网络 GCNN（Xu等人，2022年）被引入作为一种革命性的技术，它利用振幅传导来检测可视化图像中的潜在特征，解决了传统卷积在收集复杂场景历史背景方面的不足。对于任何给定的图
使用EFANO-RRP进行模型优化 本文开发了一种有效的EFANO-RRP算法，通过修改现有的远近优化（FANO）来优化参数。
选择和修改FANO的原因： FANO方法具有多个优点，包括其在超参数空间中进行全局搜索的能力，使其适用于复杂的优化问题。此外，FANO通过高效缩小搜索空间来促进更快收敛。
仿真设置 使用Python完成了整个检测过程。为了获得最优解，所开发的模型进行了50次迭代，使用了10个种群和3种染色体长度。最后，将所开发模型与现有模型和算法进行了性能验证，包括DCNN（Kumar等人，2020年）、LSTM（Alabdulkreem等人，2023c年）、MobileNet V3（Liu等人，2024年）和ERNN（Ab Aziz等人，2021年）、晶体结构算法（CSA）（Talatahari等人，2021年）以及Fennec Fox优化
结论 本研究开发了一种基于深度学习的综合方法，用于早期检测骨癌。一个重要的优势是使用了优化算法来优化参数，从而提高了模型的性能，使其预测更加可靠和稳健。首先，从在线资源收集图像并通过HCNNet进行处理，该网络结合了GCNN和RNeXt-RA进行特征提取。这种方法使模型能够捕捉到关键信息
限制与未来方向 该模型的性能取决于训练数据的质量和多样性，这意味着有限或有偏见的数据可能会影响准确性。此外，模型的决策过程可能不容易被医疗专业人员理解，这限制了其信任度和应用范围。模型在不同数据集或癌症类型上的泛化能力需要进一步验证。因此，未来的改进可以包括扩展数据集以改善泛化能力，并结合实时分析
CRediT作者贡献声明 Dharaniya R： 概念化。Usha N.S： 概念化。Vinston Raja R： 概念化。Mangaleswaran M： 概念化。Kaliraj V： 概念化
未引用的参考文献 Anand等人，2023b；Bolleddu和Madhavi，2024；Whig等人，2025。
利益冲突声明 ? 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
