Page 55 - 南京医科大学自然版
P. 55

第46卷第4期          吴邦钰，王志霄，项景轩，等. 基于卷积神经网络的胃癌病理图像分类诊断与分级识别［J］.
                  2026年4月                      南京医科大学学报（自然科学版），2026，46（4）：520-532                       ·523 ·


                可以了解各网络在医学图像识别领域的大致效果，                            参数，提取全部数据完成训练，得到胃癌病理图像
                为后续研究提供便利。作为集成学习基模型时，也                            分类诊断模型（图2），评估模型性能。
                可提高基模型的多样性与独立性。本研究采用迁                             1.2.2 分级模型构建
                移学习进行模型训练，以节省计算资源，提升模型                                以单个CNN网络作为基模型，利用硬投票法和
                性能与泛化能力。                                          随机森林进行集成，随机森林为元模型。提取全部
                    在集成学习方面，用基于硬投票法的投票法和                          胃癌分级图像数据，按 0.70、0.15、0.15 的比例划分
                基于随机森林的堆叠法分别完成模型整合。随机                             为训练集、验证集、测试集。其中训练集按 0.8、0.2
                森林具有较高的准确性和泛化能力，通过集成多棵                            的比例划分为子训练集与子验证集，用于基模型训
                决策树有效降低过拟合风险，尤其适合高维数据和                            练。验证集用于元模型训练，测试集用于基模型与
                复杂场景。它对噪声、异常值和缺失值的鲁棒性                             集成模型的性能评估。训练17个网络，并分别进行
                强，能提供特征重要性评估，优化特征选择和模型                            参数优化，挑选合适的网络作为基模型。基模型挑选
                解释。此外，随机森林也支持并行化训练，计算效                            完毕后，分别以Voting和Stacking方法进行集成学习
                率高，参数调优简单，使用灵活。相比单棵决策树，                          （图2），最终将二者与单模型对比，探究集成学习带来
                它更稳定；相比复杂模型（如XGBoost），它调参难度                       的提升，得到胃癌分级模型，综合评估模型性能。
                低，适合多种任务，是机器学习中的高效选择。而                            1.2.3 模型联合与真实应用场景模拟
                投票法是相对简单，稳定高效的集成学习方法。                                 在处理 WSI 时，导入 OpenSlide 外部库以处理
                1.1.3 环境与硬件选择                                     SVS 格式的整张切片，然后计算像素与切割 patches
                    相对于其他深度学习工具，如 PyTorch、Tensor⁃                 数量的步长，按步长移动，遍历整个 WSI，将整个
                Flow 等，MATLAB 在矩阵运算方面经过底层优化，                      WSI切割为多个512×512像素的patch并保存，保存
                能够高效处理大规模矩阵数值运算，而矩阵运算是                            时以坐标命名。对保存的patch进行初步处理，以高
                卷积神经网络的核心基础，因此，MATLAB在卷积特                         于 75%白色组成为判别标准，剔除背景的白色
                征提取时拥有独特优势。在网络构建方面，MATLAB                         patch。将处理后的patch输入胃癌与正常组织分类
                拥有图形化交互式的拖拽式网络构建器，更适合对                            模型，标记癌与非癌，再将标记癌的 patch 输入分级
                小型模型进行调整。但MATLAB 在大型组合模型、                         模型，进行分级识别。最后提取 patch 的坐标与标
                分布式训练、多硬件支持、复杂模型模块处理方面                            签，以不同颜色代表分类结果，将结果拼接，进行识
                逊色于 PyTorch、TensorFlow，3 者可综合应用环境来                别结果的可视化（图3）。
                进行挑选。本研究主要针对单一卷积神经网络进                             1.3  统计学方法
                行训练优化与集成，综合考虑，使用MATLAB进行代                             使用MATLAB 2024b软件进行统计学分析。模
                码编辑以及模型构建，版本为MATLAB2024b。硬件                       型初步训练评估中，统计模型在验证集上的准确率
                为个人笔记本电脑，GPU 型号 RTX4080laptop。在                   和训练耗时，评估模型效能。分类模型及分级模型
                MATLAB 中调用深度学习设计器，完成迁移学习模                         评估时，在MATLAB2024b中生成混淆矩阵，统计模
                型构建及相关资源的本地部署。训练前，将网络全                            型在测试集上的灵敏度、准确率、特异度和F1值，并
                连接层与分类层替换，以适应病理图像分类任务，                            以两个最终模型绘制受试者工作特征（receiver op⁃
                进行迁移学习。                                           erating characteristic，ROC）曲线，计算曲线下面积

                1.2  方法                                          （area under the curve，AUC），进行性能对比评估。
                1.2.1 分类模型筛选与训练                                   对于每组数据，使用 Bootstrap 方法计算 95%置信区
                    在 MATLAB 中完成 17 个 CNN 网络的迁移与构                 间（confidence interual，CI）。通过从原始数据中随
                建，取胃癌正异常病理图像分类数据集，按 0.70、                         机抽取与原始数据相同大小的样本，计算每次抽样
                0.15、0.15 的比例划分为训练集、验证集、测试集。                      的目标参数，并重复 1 000 次，形成一个 Bootstrap 分
                训练集与验证集用于模型训练，测试集用于模型性                            布。然后根据其百分位数来确定数据的95%CI。
                能验证。初步模型训练评估时，统一设置训练参
                                                                  2 结 果
                数，分别对17个模型进行胃癌分类识别训练。训练
                后，以识别准确率、训练耗时为评价指标，综合评估                           2.1 诊断模型对比训练
                模型效能。挑选出相对最优架构，再进一步优化超                                经过初步测试，统计各模型的效能参数，见表
   50   51   52   53   54   55   56   57   58   59   60