LGLD-Net：轻量级全局-局部双分支神经网络在医学显微图像分类中的突破

LGLD-Net是一款仅含161K参数的轻量级全局-局部双分支神经网络，通过融合局部纹理特征与全局上下文信息，在急性淋巴细胞白血病分类任务中达到99.69%准确率，在血细胞分类任务中达到96.50%准确率，并可在树莓派5上实现17.56 FPS的实时推理，为医学显微图像分析的边缘部署提供了新方案。

显微图像分析在医学诊断中至关重要，但传统深度学习模型面临两大挑战：一是难以同时捕捉细粒度局部纹理特征（如细胞形态细节）和全局上下文信息（如细胞间空间关系）；二是高性能模型参数量大、计算成本高，难以部署在资源受限的边缘设备上，限制了现场快速诊断的实现。

LGLD-Net通过双分支架构解决上述问题：

1. 局部特征聚合器（LFA）：采用基于Involution的Patch Stem（IPS），Involution在通道上共享参数、空间上独立，适合捕捉细胞微观纹理（如细胞核形态、细胞质分布）；
2. 全局上下文提取器（GCE）：采用傅里叶变换特征提取模块（FFM），将图像转换到频率域以捕捉长距离依赖和全局组织模式；
3. 自适应融合模块（LGFM）：动态平衡局部与全局特征的贡献，根据输入图像特点自动调整权重。 模型总参数161K，计算成本仅1.88 GFLOPs。

数据集表现

• 急性淋巴细胞白血病（ALL）数据集：分类准确率达99.69%；
• Raabin-WBC白细胞数据集：多类别分类准确率达96.50%。

边缘设备部署

在树莓派5上实现17.56 FPS的实时推理速度，支持本地快速获取AI辅助诊断结果，无需依赖云端。

1. 参数量与效率平衡：161K参数远低于ResNet-50（2500万）和EfficientNet-B0（530万），用不到1%的参数实现可比或更优性能；
2. 医学图像适配：Involution捕捉细胞细节，傅里叶变换建模全局组织模式，贴合显微图像特性；
3. 临床部署可行性：边缘设备实时推理能力可支持偏远地区诊所、移动医疗车等场景，提升医疗公平性。

1. 泛化能力验证：目前仅验证血液相关显微图像，需扩展到组织病理切片、细胞学涂片等其他类型；
2. 可解释性提升：自适应融合模块的决策过程可解释性需加强，以增强医生信任；
3. 任务扩展：可探索扩展到目标检测（异常细胞定位）或分割任务（细胞边界勾勒）。

LGLD-Net代表了医学AI领域"小而精"的设计趋势，证明精心架构可超越参数堆叠策略。对研究者，展示了传统信号处理（傅里叶变换）与深度学习（Involution）融合的可能性；对医疗从业者，意味着轻便快速的AI辅助工具将逐步普及，未来有望部署在智能手机、便携式设备上，实现随时随地的智能医疗。