Page 52 - 南京医科大学自然版

南京医科大学学报（自然科学版） 第46卷第4期
·520 · Journal of Nanjing Medical University（Natural Sciences） 2026年4月

·临床研究·

基于卷积神经网络的胃癌病理图像分类诊断与分级识别

吴邦钰 ，王志霄 ，项景轩 ，孙 立 ，马 玲 1，2，4，5*
1，2
2
3
3
南京医科大学第一附属医院肿瘤科，江苏 南京 210029；南京医科大学第一临床医学院临床医学系，江苏 南京
1 2
211166；东南大学能源与环境学院动力工程及自动化系，江苏 南京 211189；南京医科大学部省共建肿瘤个体化医学协同
3
4
创新中心，江苏 南京 211166；睢宁县人民医院肿瘤科，江苏 徐州 221200
5
［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
［中图分类号］ R735.2 ［文献标志码］ A ［文章编号］ 1007⁃4368（2026）04⁃520⁃13
doi：10.7655/NYDXBNSN250368

Classification and grading recognition of gastric cancer pathological images based on
convolutional neural networks

1，2 3 2 3 1，2，4，5*
WU Bangyu ，WANG Zhixiao ，XIANG Jingxuan ，SUN Li ，MA Ling
Department of Oncology，the First Affiliated Hospital of Nanjing Medical University，Nanjing 210029；Department
1 2
of Clinical Medicine，the First school of Clinical Medicine，Nanjing Medical University 211166；Department of Power
3
Engineering and Automation，School of Energy and Environment，Southeast University，Nanjing 211189；
Collaborative Innovation Center of Personalized Oncology Medicine，Ministry of Education and Jiangsu Province，
4
5
Nanjing Medical University，Nanjing 211166；Department of Oncology，Sui Ning County People’s Hospital，Xuzhou
221200，China

［Abstract］ Objective：To establish classification and grading models for gastric cancer pathological sections based on deep learning
［基金项目］ 国家自然科学基金（82102981）；江苏高校“青蓝工程”（KY102R202412）；中国博士后科学基金第75批面上资助
（2024M751224）；南京市博士后项目［BSHNJ2023003（JC23）］；北京希思科临床肿瘤学研究基金会（Y⁃Young2024⁃0152）；部省
共建肿瘤个体化医学协调创新中心青年项目（2024CICCPMHR033）；胃癌免疫治疗专病队列研究（JZ214490202106052）；江苏
省高等学校大学生创新创业训练计划（X2025103120042）
通信作者（Corresponding author），E⁃mail：maling@njmu.edu.cn（ORCID：0000⁃0002⁃2960⁃1956）
∗