超越形态学：量化癌症分类中颜色特征的诊断能力
计算机视觉与模式识别
2026-05-19 v1 人工智能
机器学习
摘要
在组织病理学中，人类专家主要依赖颜色作为增强对比度的手段来解释组织形态，而机器视觉模型则将颜色作为原始统计信息进行处理。这一区别引出了一个基本问题：在独立于结构和形态学线索的情况下，仅凭像素强度能在多大程度上支持癌症分类？为解决这一问题，我们在刻意排除所有形态学信息的同时，系统评估了全局颜色特征的独立判别能力。具体而言，我们提取了统计颜色矩以及离散化的RGB和HSV颜色直方图，并使用经典机器学习分类器在十种不同的实验设置下评估了其性能。结果表明，仅凭颜色特征即可在二元诊断任务（例如，良性对恶性）中实现强性能，分类准确率高达89%。这种性能可能归因于与恶性相关的全局色度偏移。重要的是，这些简单的基于颜色的表示在表现上始终以显著优势优于随机基线，表明原始颜色分布编码了用于癌症检测的非随机且具诊断相关性的信号。因此，本研究表明，简单且计算高效的颜色特征可作为一种有效的预筛查工具。通过识别具有强烈恶性色度指标的样本，这些轻量级模型可作为初步分诊系统，从而减轻复杂深度学习架构的计算负担。
引用
@article{arxiv.2605.18522,
title = {Beyond Morphology: Quantifying the Diagnostic Power of Color Features in Cancer Classification},
author = {Farnaz Kheiri and Shahryar Rahnamayan and Masoud Makrehchi},
journal= {arXiv preprint arXiv:2605.18522},
year = {2026}
}