YOLO-LAN：基于优化损失、数据增强与负样本的精确息肉检测

结直肠癌（CRC）是一种致命疾病，其始于结肠内壁异常黏膜细胞增殖形成的息肉。若未被发现，息肉可能恶变为肿瘤。结肠镜检查是检测息肉的标准程序，因其能够直接观察并切除可疑病变。人工结肠镜检测可能存在不一致性且易受疏忽影响。因此，基于深度学习的目标检测为结肠镜检查中更准确、实时的诊断提供了更好的解决方案。本文提出 YOLO-LAN，一种基于 YOLO 的息肉检测流程，使用 M2IoU 损失、多样化数据增强和负样本进行训练，以模拟真实临床场景。该流程在 Kvasir-seg 和 BKAI-IGH NeoPolyp 数据集上优于现有方法，在 Kvasir-seg 数据集上使用 YOLOv12 达到了 0.9619 的 mAP$_{50}$ 和 0.8599 的 mAP$_{50:95}$，使用 YOLOv8 达到了 0.9540 的 mAP$_{50}$ 和 0.8487 的 mAP$_{50:95}$。mAP$_{50:95}$ 分数的显著提升表明了息肉检测的精确性。我们展示了基于息肉大小和精确位置检测的鲁棒性，使其在 AI 辅助结直肠癌筛查中具有临床相关性。