论文标题：A Lightweight Cross-Gated Dual-Branch Attention Network for Colon and Lung Cancer Diagnosis from Histopathological Images

论文链接：https://www.mdpi.com/2076-3271/13/4/286

期刊名：Medical Sciences

期刊主页：https://www.mdpi.com/journal/medsci

肺与结肠癌病理图像分类常因良恶性形态相似而具挑战，现有AI模型多存在算力消耗大或流程割裂问题。本研究提出一种端到端轻量化双分支注意力网络，融合EfficientNetV2-B0全局特征与MobileNetV3-Small局部特征，通过交叉门控机制自适应整合，并引入通道注意力增强判别力。在LC25000数据集上，模型各项指标均达99.84%，MCC为0.998，热力图验证了其强可解释性。该框架免去了多阶段预处理，以极低计算成本实现高精度透明诊断，为临床病理辅助系统提供了高效可靠的智能新方案。来自墨西哥国家技术学院Raquel Ochoa-Ornelas博士及其团队在Medical Sciences期刊发表了文章，研究提出一种轻量级交叉门控双分支注意力网络，通过全局与局部病理特征的智能融合，实现结肠癌与肺癌图像的高精度、可解释辅助诊断。

BiLight-Attn网络的整体架构

研究过程与结果

现有肺癌与结肠癌病理图像分类研究多依赖单骨干迁移学习、多阶段特征筛选或重型注意力网络，普遍存在流程割裂、计算开销大、跨域泛化弱及黑盒决策等问题。针对上述局限，本文提出BiLight-Attn-LC端到端双分支轻量化网络，基于LC25000公开数据集（含2.5万张5类别病理切片）展开验证。

模型采用并行双分支架构：EfficientNetV2-B0聚焦全局上下文语义，MobileNetV3-Small专注局部细胞与腺体精细结构。各分支特征经高效通道注意力（ECA）模块增强后，结合几何均值、全局平均与最大三重池化技术压缩为紧凑向量。核心创新在于交叉门控融合（CGF）机制，通过可学习门控动态权衡双分支贡献，并引入tanh双线性交互捕获非线性依赖，实现语义与纹理的深度互补。分类端采用批归一化、Dropout正则化与标签平滑交叉熵损失，配合AdamW优化器及Warmup-Cosine学习率策略，确保模型在低显存占用下快速稳定收敛。为强化临床可信度，研究集成Grad-CAM技术生成可视化热力图，精准高亮驱动预测的关键病理形态区域。该方法摒弃繁琐的超参数搜索与外部优化器，以极低计算代价实现端到端联合训练，在保持顶尖分类精度的同时显著提升可解释性，为资源受限场景下的智能病理辅助诊断提供了高效可靠的解决方案。

研究总结

本研究提出轻量级双分支注意力网络BiLight-Attn-LC，专用于结肠癌与肺癌组织病理图像的精准分类。模型巧妙融合EfficientNetV2-B0的全局语义与MobileNetV3-Small的局部微细纹理，通过交叉门控融合（CGF）与ECA注意力机制实现高效特征交互。在仅含766万参数（29.24 MB）的紧凑架构下，模型基于2.5万张染色切片的LC25000数据集（5类组织）测试取得99.84%准确率与MCC 0.998，仅肺腺癌与鳞癌等病理形态重叠区域存在极少量误判。Grad-CAM可解释性分析表明，模型决策精准聚焦于腺管边界、核拥挤及角化珠等核心病理特征，高度契合临床诊断逻辑。相较于依赖复杂元启发式优化或重型CNN的现有方法，BiLight-Attn-LC在保持顶尖精度的同时，大幅降低了算力消耗与训练成本，具备优秀的可复现性。尽管当前结果受限于单一数据集的形态多样性，作者已规划开展多中心外部验证，并探索“AI辅助-病理医师复核”的协同决策范式。该研究为临床病理诊断提供了一套高效、透明、易部署的轻量化AI工具，具有显著的转化应用价值。

Medical Sciences期刊介绍

主编： Prof. Dr. Antoni Torres, Universidad de Barcelona, Barcelona, Spain;

发表关于疾病分子与细胞过程的原创研究、综述及短篇通讯，促进对医学基本原理及生物学问题的深入理解。期刊已被Scopus, ESCI (Web of Science), PubMed, PMC, MEDLINE, CAPlus / SciFinder等数据库收录;

2025 Impact Factor: 5.9;

2025 CiteScore: 4.6;

Time to First Decision: 18.3 Days;

Acceptance to Publication: 2.6 Days