基于深度学习与混沌动力学的混合方法用于甲状腺癌分类
摘要
及时准确的诊断对于应对甲状腺癌的全球性上升至关重要，有助于制定有效的治疗策略并改善患者预后。我们提出一种智能分类方法，将自适应卷积神经网络(CNN)与科恩-道鲁赫-费沙（Cohen-Daubechies-Feauveau，CDF9/7）小波结合使用，其细节系数由 n-scroll 混沌系统调制，以丰富判别性特征。我们在公共 DDTI 甲状腺超声数据集上进行评估（样本数为 1,638 张图像，其中 819 张恶性、819 张良性），采用 5 折交叉验证，所提出的方法达到了 98.17% 的准确率、98.76% 的灵敏度、97.58% 的特异度、97.55% 的 F1 分数以及 0.9912 的 AUC。受控的消融实验表明，加入混沌调制到 CDF9/7 可将准确率提高 8.79 个百分点（从 89.38% 提升至 98.17%）。为客观评估 our 方法，我们在相同的训练集和数据划分上训练了最新的骨干网络：EfficientNetV2-S（96.58% 的准确率，AUC 为 0.987）、Swin-T（96.41%，0.986）、ViT-B/16（95.72%，0.983）和 ConvNeXt-T（96.94%，0.987）。我们的 метод 在准确率上比其中最佳者高出 1.23 分，在 AUC 上高出 0.0042，同时仍保持计算效率（每张图像 28.7 毫秒，峰值 VRAM 为 1,125 MB）。鲁棒性还通过在 TCIA 上的跨数据集测试（准确率 95.82%）以及迁移到 ISIC 皮肤病灶子集（样本数为 28 张独立图像，增强后为 2,048 张；准确率 97.31%）得到进一步支持。解释性分析（Grad-CAM、SHAP、LIME）突出了临床相关区域。总体而言，小波-混沌-CNN 流水线实现了甲状腺超声分类的前沿水平，具备强大的泛化能力和适用于临床集成的实际运行特性。
引用
@article{arxiv.2509.23968,
title = {A Novel Hybrid Deep Learning and Chaotic Dynamics Approach for Thyroid Cancer Classification},
author = {Nada Bouchekout and Abdelkrim Boukabou and Morad Grimes and Yassine Habchi and Yassine Himeur and Hamzah Ali Alkhazaleh and Shadi Atalla and Wathiq Mansoor},
journal= {arXiv preprint arXiv:2509.23968},
year = {2025}
}
备注
Scientific Reports