肺結節的良惡性分類對於肺癌早期篩查至關重要。然而，由於肺結節的多尺度和異質性，準確分類仍然具有挑戰性。雖然深度學習為輔助診斷提供了可能，但大多數現有模型都是“黑箱”，缺乏臨床可靠整合所需的透明度和可解釋性。
針對這一問題，研究人員提出了M3Net——一種新穎的3D網路，它受到放射科醫生分層診斷工作流的啟發，從細粒度結構到全域性解剖關係整合多尺度上下文資訊。M3Net構建了漸進式多尺度輸入：從細粒度結節結構到區域性語義再到全域性空間關係。網路採用尺度特定編碼器，並透過潛空間投影和互資訊最大化確保跨尺度語義一致性。
在公開LIDC-IDRI資料集和自收集臨床資料集USTC-FHLN上的廣泛實驗表明，該方法實現了最先進的效能，準確率分別達到86.96%和84.24%，比最佳基線提升了3.26%和2.17%。結果驗證了M3Net為肺結節分類提供了更魯棒且臨床相關的解決方案。該研究已發表於《Information Fusion》期刊，程式碼已開源在GitHub。此外，M3Net的設計理念不僅限於肺結節分類，其分層多尺度融合策略有望推廣至其他醫學影像分析任務，如腫瘤分割和器官檢測。未來的工作將探索將該框架應用於更廣泛的臨床場景，並進一步提升模型的解釋性和泛化能力。