基于因果推理的卷积神经网络CausalCervixNet：提升宫颈癌细胞分类诊断准确性的创新研究

　　编辑推荐：本研究针对传统宫颈癌细胞分类模型依赖相关性特征、缺乏可解释性的问题，提出融合因果发现(Causal Discovery)、因果推理(Causal Inference)和HSIC/KCI测试的CICNN框架，在SIPaKMeD、Herlev和自建ShUCSEIT数据集上分别达到99.14%、97.31%和99.09%的分类准确率，为构建可解释的AI医疗诊断系统提供新范式。

涓轰簡淇冭繘绉戝鐨勪紶鎾紝鐢熺墿閫氶噰闆嗕簡杩欑瘒鏂囩珷锛屽闇€鑻辨枃鍘熸枃锛岃鐐瑰嚮锛�璁㈤槄BioHot绱㈠彇鍘熸枃

　　宫颈癌作为全球女性第四大常见癌症，每年导致超过35万人死亡，其中90%病例与HPV感染相关。尽管巴氏涂片筛查和HPV疫苗接种显著降低了疾病负担，但传统人工镜检存在主观性强、效率低下等问题。近年来，深度学习技术在宫颈细胞自动分类领域取得进展，但现有模型普遍面临两大瓶颈：一是依赖统计相关性而非因果关系的特征学习，导致在真实临床场景中泛化能力不足；二是"黑箱"特性阻碍了临床信任度，医生难以理解模型决策依据。这些局限性在医疗诊断场景尤为关键——误将癌细胞判读为正常（假阴性）可能延误治疗，而反向错误（假阳性）则会造成不必要的医疗干预。

针对这一挑战，设拉子大学计算机科学与信息技术系Zahra Taghados团队开发了CausalCervixNet框架，创新性地将因果推理融入卷积神经网络(CNN)。研究通过构建因果图(Causality Map)量化特征间条件概率，结合Hilbert-Schmidt独立性准则(HSIC)和核条件独立性检验(KCIT)筛选因果特征，在保持模型性能的同时增强可解释性。论文发表于《BMC Cancer》，为AI辅助诊断提供了兼具高精度与透明性的解决方案。

关键技术方法包括：1)使用VGG16/VGG19/ResNet50/XceptionNet进行迁移学习特征提取；2)基于ReLU激活特征图构建因果图，通过Eq.3计算特征间条件概率；3)采用HSIC(Eq.1)和KCIT(Eq.2)进行因果因子筛选；4)在包含6,167张细胞图像的三个数据集(SIPaKMeD/Herlev/ShUCSEIT)上进行验证，其中ShUCSEIT为团队自建的含5类宫颈细胞的新数据集。

研究结果：

1. 模型性能比较：CICNN-ResNet50在三个数据集上均达最优性能，准确率较基线模型提升显著（Herlev数据集从81.18%升至97.31%）。特别值得注意的是，XceptionNet经因果增强后准确率提升近一倍（Herlev从40%→79.57%），证实因果推理能有效修正模型偏差。

2. 误诊模式分析：混淆矩阵显示系统未出现将癌细胞误判为正常的危险错误（零假阴性），非常规误诊主要发生在形态相似的正常细胞亚类间（如中间型与表层细胞），符合病理医师经验，体现临床合理性。

3. 特征重要性验证：通过核型分析发现，核质比(Nucleus/Cytoplasm Ratio)、细胞伸长率(Elongation)等13项形态学特征（表1）与病理分级存在显著因果关联，与现有医学认知一致。

4. 计算效率：并行化因果测试使模型训练时间控制在合理范围（Herlev数据集完整训练约8,190秒），满足临床实践时效要求。

讨论与结论：
该研究首次系统地将Pearl因果框架应用于宫颈细胞分类，突破传统DL模型的相关性学习局限。其核心价值体现在三方面：一是临床安全性，通过因果约束杜绝了高危误诊；二是技术普适性，验证了因果增强对不同CNN架构（尤其是ResNet50）的广泛适用性；三是方法创新性，提出的因果图与HSIC/KCI联合测试策略为医学AI可解释性研究提供新思路。局限性在于高维特征空间可能引入虚假因果关联，未来需结合医学先验知识优化因果发现算法。团队开源的ShUCSEIT数据集填补了中东地区宫颈细胞数据的空白，为跨种群研究奠定基础。这项研究标志着宫颈癌筛查从"黑箱预测"迈向"因果诊断"的关键一步，为AI在病理学及其他医学影像领域的因果推理应用树立了标杆。

鎵撹祻

涓嬭浇瀹夋嵎浼︾數瀛愪功銆婇€氳繃缁嗚優浠ｈ阿鎻ず鏂扮殑鑽墿闈剁偣銆嬫帰绱㈠浣曢€氳繃浠ｈ阿鍒嗘瀽淇冭繘鎮ㄧ殑鑽墿鍙戠幇鐮旂┒

10x Genomics鏂板搧Visium HD 寮€鍚崟缁嗚優鍒嗚鲸鐜囩殑鍏ㄨ浆褰曠粍绌洪棿鍒嗘瀽锛�

娆㈣繋涓嬭浇Twist銆婁笉鏂彉鍖栫殑CRISPR绛涢€夋牸灞€銆嬬數瀛愪功

鍗曠粏鑳炴祴搴忓叆闂ㄥぇ璁插爞 - 娣卞叆浜嗚В浠庣涓€涓崟缁嗚優瀹為獙璁捐鍒版暟鎹川鎺т笌鍙鍖栬В鏋�

涓嬭浇銆婄粏鑳炲唴铔嬬櫧璐ㄤ簰浣滃垎鏋愭柟娉曠數瀛愪功銆�