Page 56 - 南京医科大学自然版

第46卷第4期
·524 · 南 京 医 科 大 学 学 报 2026年4月

Construction of classification model

Training
Training and testing

CNN×17 Screening Xception Optimization Gastric cancer and non⁃
cancer classification
Construction of grading model

×0.15 Training
Validation set
Training and screening
×0.70

×0.15 Training set CNN×17 Gastric cancer grading
Joint framework
Integrate model
CNN×13
Test set Test optimization

图2 模型构建流程图
Figure 2 Flowchart of model construction

WSI Processing

Well⁃differentiated
Non⁃cancer
Remove
Cutting Poorly differentiated

Cancer and non⁃cancer Moderately
Grading network
classification network Cancer differentiated

Benign

Visualization
Visualization

图3 真实应用场景处理流程图
Figure 3 Flowchart of the processing procedure in a real⁃world application scenario

1。以准确度为纵轴，训练耗时为横轴，绘制效能对 ResNetV2 相 比 同 系 列 未 及 预 期 ，效 能 较 差 ；
比图（图 4），综合评估各模型性能。SqueezeNet、 DenseNet201 精度高，但训练耗时过长；ResNet101、
Darknet19、VGG16、VGG19、GoogleNet等网络架构较 NASNetMobile、EfficientNetB0 在精度和耗能间取得
老或结构过于简单，在限定条件下均未收敛，无对比 了 平 衡 ； Xception、 ShuffleNet、 MobileNetV2、

意义，因此未加入效能图。Darknet53相对Darknet19 ResNet18/50、InceptionV3 等网络都具有优秀的效
有所提升，但精度和耗时并无明显优势；Inception⁃ 能，其中 Xception 在训练耗时 35 min 内的模型中达