《Engineering Applications of Artificial Intelligence》：Training-free multi-scale neural architecture search for high-incidence cancer prediction
編輯推薦：
針對人工設計神經網絡用于高發癌癥預測耗時且需專家、傳統 NAS 在醫療圖像中存在計算成本高及代理相關性低等問題，研究人員開展 TM-NAS 方法研究。實驗表明該方法在多數據集上性能優于傳統方法，對癌癥預測及 NAS 發展有重要意義。
在醫療人工智能領域，癌癥的精準預測一直是備受關注的難題。高發癌癥如乳腺癌、肺癌和結直腸癌的病理圖像中，病灶大小不一、形態復雜，傳統深度學習模型往往難以高效捕捉不同尺度的病變特征。人工設計神經網絡不僅耗費大量時間和專業知識，且在醫療圖像的復雜場景中泛化能力有限。而傳統的神經架構搜索（Neural Architecture Search, NAS）方法雖能自動化設計網絡，但在處理醫療圖像時面臨計算成本高昂、代理預測與實際性能相關性低等挑戰，難以在合理時間內找到適用于高發癌癥預測的最優網絡架構。
為突破這些瓶頸，中國西華師范大學的研究人員開展了一項關于無訓練多尺度神經架構搜索（Training-free Multi-scale Neural Architecture Search, TM-NAS）的研究，相關成果發表在《Engineering Applications of Artificial Intelligence》。該研究旨在開發一種高效、精準的自動化網絡設計方法，以應對高發癌癥圖像中多尺度病灶的預測難題。
研究人員采用的關鍵技術方法包括：
- 多尺度搜索空間設計：將搜索空間分為宏觀和微觀層面。宏觀空間優化網絡深度和層排列，以增強信息流動和特征保留；微觀空間針對卷積、池化等層操作進行優化，捕捉不同尺度的病變特征。
- 無訓練代理評估策略：基于收斂性、表達能力、可訓練性和復雜性等維度，通過整合各層激活值、梯度變化和架構數據，對網絡性能進行非線性集成排序。該評估僅需兩次前向傳播和一次反向傳播，輸入為模擬醫療數據的隨機高斯噪聲，顯著提升搜索效率。
實驗結果
多數據集性能驗證
在 MedmnistV2、LC25000、BreakHis、CRC-5000 等醫療數據集及 NAS-Bench-201 數據集上，TM-NAS 展現出優異性能：
- 分類準確性：在各數據集上均優于手動設計網絡和現有 NAS 方法，驗證了其對多尺度病灶特征的捕捉能力。
- 搜索效率：相比傳統方法，搜索時間平均縮短 79.45%，證明了無訓練代理策略的高效性。
- 代理相關性：在 NAS-Bench-201 數據集上，Kendall 和 Spearman 相關系數分別提升 34.31% 和 31.71%，表明代理預測與實際性能的強相關性。
多尺度特征提取有效性
通過宏觀與微觀搜索空間的協同優化，網絡能夠動態組合不同尺度的操作（如不同池化方式），有效提取小至細微病變、大至復雜組織的多維度特征，解決了傳統網絡對小尺寸病灶識別不足的問題。
結論與意義
TM-NAS 方法通過多尺度搜索空間與無訓練代理的創新結合，成功攻克了高發癌癥預測中病灶尺度多變、傳統 NAS 效率低下的難題。其核心貢獻在于：
- 提出首個針對高發癌癥的無訓練多尺度 NAS 方法，兼顧效率與準確性；
- 設計分層搜索空間，實現多尺度特征的高效提取與保留；
- 構建多維度評估代理，提升預測相關性的同時大幅降低計算成本。
該研究為醫療圖像分析領域提供了新的自動化網絡設計范式，有望加速 AI 在癌癥早期診斷、精準醫療等場景的應用，推動基于深度學習的醫療診斷技術向臨床實用化邁進。未來，進一步優化搜索空間的靈活性和代理評估的全面性，可能成為該領域的重要發展方向。
