基于卷积神经网络的胃癌病理图像分类诊断与分级识别

摘要

目的：基于深度学习技术，建立胃癌病理切片的分类诊断模型与分级模型，评估模型性能。方法：基于公开网络资源收集胃癌和非癌组织分类诊断识别数据集与胃癌分级识别数据集。对数据进行数据增强，划分为训练集、验证集和测试集。初始阶段，构建17种卷积神经网络（convolutional neural network,CNN）模型，统一设置初始训练参数，对17个模型进行胃癌和非胃癌分类识别训练。训练结束后，以模型在测试集上的识别准确率、训练耗时作为评价指标，全面评估不同模型架构的效能。基于这些指标，筛选出效能最优的架构，进一步优化训练，构建胃癌分类诊断识别模型。分类模型完成后，基于分类模型的基础构建胃癌分级模型，在胃癌分级模型的训练过程中，训练17个分级网络，根据性能指标筛选出适合作为基模型的网络。在基模型确定后，分别采用Voting和Stacking方法进行集成学习，并与单模型进行比较。探究集成学习对性能提升的影响，构建胃癌分级识别模型。结果：在胃癌分类诊断模型训练中，Xception经对比被选为最终分类诊断模型的网络。经过参数调整与训练后，最终胃癌分类诊断模型在测试集上表现的准确率为98.13%、灵敏度为98.11%、特异度为98.11%、F1分数为98.12%、受试者工作特征（receiver operating characteristic,ROC）曲线下面积（area under the curve,AUC）为0.998；胃癌分级模型训练中，以随机森林为代表的堆叠法相对于以硬投票法为代表的投票法拥有较大的提升。以随机森林集成模型为最终分级模型，其准确率为95.06%、灵敏度为94.77%、特异度为98.36%、F1分数为94.82%，良性AUC为0.999，管状低分化腺癌AUC为0.981，管状中分化腺癌AUC为0.990，管状高分化腺癌AUC为0.995。结论：两个模型都拥有良好的识别性能，证明了利用CNN实现对胃肿瘤病理图像进行高精度分类诊断及分级的可行性，实现了迁移-集成联合框架对胃肿瘤图像的分级运用，有望应用于医院智能化诊断辅助系统。

关键词

胃癌 / 精准医疗 / 卷积神经网络 / 集成学习 / 人工智能