近日，我中心刘昆宏教授团队联合福建医科大学公共卫生学院叶为民院士团队，提出一种全新的双扩散合成采样框架，用于缓解智能舌诊脂肪肝严重程度任务中的阳性样本稀缺与类别不平衡问题。相关成果以“DualSS: A Dual-Diffusion Synthetic Sampling Framework for Screening Fatty Liver Severity with Class-Imbalanced Tongue Images”为题发表在《CAAI Transactions on Intelligence Technology》期刊上。论文由我中心刘昆宏教授，福建医科大学高捷博士、邱维鸿副教授、叶为民教授，浙江大学博士生陈涛，厦门海洋职业技术学院徐永教授合作完成。其中，陈涛、高捷为共同第一作者，刘昆宏、叶为民为共同通讯作者。
脂肪肝严重程度筛查是慢性肝病防控中一项重要且具有挑战性的任务。舌图像采集具有无创、便捷和成本较低等特点，为人工智能辅助的大规模预筛查提供了新的技术路径。然而，可靠的疾病标签通常需要专业影像检查，自然人群中的中重度病例又相对稀缺，导致模型训练面临显著的类别不平衡。研究使用的公开数据集包含5,717份舌像及基本生理指标，其中无脂肪肝、轻度脂肪肝和中/重度脂肪肝样本分别为3,690份、1,512份和515份，类别比例约为7.17∶2.94∶1。为应对数据不平衡问题，本研究提出双扩散合成采样框架 DualSS：首先利用训练集中的全部舌图像学习不依赖疾病类别的舌体结构、舌苔形态和细粒度纹理规律，再通过像素空间中的反应-扩散约束和潜空间中的上下文感知扩散生成少数类候选舌像，并结合质量筛选和抗噪训练提升下游脂肪肝严重程度分级性能（图1）。
图1 DualSS双扩散合成采样框架的技术路线图
与10种代表性的类别重平衡方法相比，DualSS在五折交叉验证中与 ResNet、MobileNet、ConvNeXt 和 TIPNet 四种诊断骨干网络结合时，均取得了最高的宏平均F1值，分别达到62.29%、61.02%、62.30%和64.30%，表明该框架的性能提升并不依赖某一种特定的诊断网络。图2展示了不同方法生成的脂肪肝阳性类别舌像。相较于 SMOTE、DeepSMOTE、CellGAN 和 LDM，DualSS生成的舌像能够更好地保留舌苔、斑点、裂纹等细粒度特征，并减少模糊、异常形态和边界伪影。
图2 不同方法生成的脂肪肝阳性类别舌像对比。(a) SMOTE，(b) DeepSMOTE，(c) CellGAN，(d) LDM，(e) DualSS。
总体而言，本研究从数据层面为缓解智能舌诊中的阳性样本稀缺问题提供了新的解决方案，并在脂肪肝严重程度预筛查中展现出应用潜力。DualSS主要作用于模型训练阶段，利用合成采样提升不同诊断模型对少数类样本的学习能力。当前研究基于单中心数据开展内部验证，后续仍需在多中心、不同人群的外部队列中进一步评估其泛化能力，并探索可控制舌苔厚度、裂纹形态等语义属性的合成机制。
论文的数据与代码网址分别为：https://github.com/MLDMXM2017/HM-TDF 和 https://github.com/MLDMXM2017/DualSS。
《CAAI Transactions on Intelligence Technology》是由中国人工智能学会和重庆理工大学共同创办、与英国工程技术学会（IET）联合出版的高水平英文期刊，也是中国人工智能学会会刊。期刊聚焦人工智能理论、技术与应用领域的最新研究成果，为中科院计算机科学大类1区TOP刊。
