混合 CNN-ConvFormer 模型：利用深度学习提升肝脏脂肪变性组织学图像检测精度

本项目提出一种结合卷积神经网络（CNN）与ConvFormer架构的混合深度学习框架，旨在解决肝脏脂肪变性组织学图像检测中的局部特征与全局上下文建模需求，提高诊断准确性。该项目开源于GitHub，提供完整的数据处理、模型训练流程，对医学图像分析及计算机辅助诊断（CAD）具有重要参考价值。

肝脏脂肪变性（脂肪肝）是肝细胞内脂肪异常堆积的常见病理改变，准确诊断对疾病评估与治疗至关重要。传统人工病理检查耗时且主观，而深度学习驱动的自动化诊断成为热点，但面临组织结构复杂、染色差异、需同时捕捉局部细节与全局上下文等挑战。

该模型融合CNN与ConvFormer的互补优势：CNN擅长提取局部特征（如脂肪滴、细胞边界），ConvFormer通过自注意力机制建模全局依赖关系（如正常与病变区域的整体结构）。工作机制为：CNN提取多尺度局部特征，再经ConvFormer模块整合全局信息，模拟病理学家先局部观察再整体判断的诊断过程。

数据来源为Mendeley组织学图像数据集，处理流程包括：1. 数据验证（格式/尺寸检查、重复图像移除、组织覆盖度评估、脂肪空泡识别）；2. 染色标准化（统一图像染色参考，提升模型泛化能力）。验证后透明报告数据质量分布，便于复现。

训练采用数据增强、学习率调度、正则化等技术提升泛化能力（超参数见requirements.txt）。评估指标涵盖准确率、精确率、召回率、F1分数，其中召回率（敏感性）因医学场景漏诊代价高而尤为关键。

项目目标是开发辅助病理诊断的CAD系统，作为"第二意见"提高诊断一致性与效率；可用于脂肪浸润百分比的量化分析，支持疾病监测与治疗评估；还可为医学研究者提供工具基础，扩展至其他肝脏疾病的自动化诊断。

该混合模型代表医学图像分析前沿方向，融合局部与全局特征展示了深度学习在医学诊断中的潜力。项目提供完整流程参考，对AI研究者、开发者及临床医生均有价值。未来类似系统有望在临床实践中减轻医生负担，惠及患者。其架构与技术方案（如染色标准化）可迁移至其他医学图像任务及多器官病理分析。