摘要
自动肺结节分类对于早期诊断肺癌具有重要意义。近年来，深度学习技术在这一领域取得了显著进展。然而，这些深度模型通常计算复杂度较高，并且以黑箱方式工作。为了解决这些问题，本研究旨在构建一个高效且（部分）可解释的分类模型。具体而言，我们利用\emph{神经架构搜索}（Neural Architecture Search, NAS）自动搜索具有优异精度/速度权衡的三维网络架构。此外，我们在网络中使用了卷积块注意力模块（Convolutional Block Attention Module, CBAM），这有助于我们理解推理过程。在训练阶段，我们采用A-Softmax损失函数来学习角度判别表示。在推理阶段，我们使用多种神经网络的集成方法来提高预测准确性和鲁棒性。我们在LIDC-IDRI数据库上进行了广泛的实验。与先前的最先进方法相比，我们的模型在参数量减少到不到1/40的情况下仍表现出高度可比的性能。此外，实证研究表明，所学网络的推理过程与医生的诊断相符。相关代码和结果已发布在：https://github.com/fei-hdu/NAS-Lung。注释：- \emph{神经架构搜索}（Neural Architecture Search, NAS）：一种用于自动设计神经网络结构的技术。- 卷积块注意力模块（Convolutional Block Attention Module, CBAM）：一种可以增强卷积神经网络特征表示能力的模块。- A-Softmax损失函数：一种用于学习角度判别特征的损失函数。- LIDC-IDRI数据库：美国国家癌症研究所资助的一个大型肺部影像数据集，用于肺结节检测和分类的研究。