Page 57 - 南京医科大学自然版

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 ·525 ·

到了最高的精度。经对比，将 Xception 选为最终分 CI：97.71% ~98.52% ）、F1 值 为 98.12%（95% CI：
类诊断模型的网络进行参数调整与训练。 97.72% ~98.52% ）。 AUC 为 0.998（95% CI：0.998~
取完整数据集训练胃癌分类诊断模型，通过优 0.999），具有非常优异的性能（图6）。
化超参数提升模型性能，减少过拟合现象（图 5）。 2.2 分级模型构建评估
最终分类诊断模型在测试集上的识别准确率达到 采用子训练集与子验证集对 17 个模型进行训
98.13%（95%CI：97.74%~98.52%）、灵敏度为98.11% 练，每个模型分别优化参数，使模型性能最大化提
（95%CI：97.71%~98.52%）、特异度为 98.11%（95% 升。训练完成后，将所得网络保存在mat文件中，以

表1 初步模型训练结果
Table 1 Preliminary model training results
Network Validation set accuracy（95%CI）（%） Training time consumption
EfficientNetB0 96.07（95.47-96.63） 51 min 27 s
NASNetMobile 95.22（94.62-95.78） 66 min 23 s
Xception 95.22（94.56-95.84） 32 min 44 s
MobileNetV2 94.48（93.82-95.15） 18 min 56 s
DenseNet201 93.86（93.16-94.48） 150 min 30 s
ResNet18 92.28（91.48-93.02） 9 min 55 s
InceptionV3 92.03（91.29-92.87） 21 min 58 s
Darknet53 91.66（90.76-92.47） 34 min 43 s
ResNet50 91.04（90.22-91.86） 23 min 59 s
ResNet101 87.83（86.86-88.82） 36 min
ShuffleNet 83.09（82.02-84.18） 16 min 40 s
InceptionResNetV2 71.06（69.80-72.30） 62 min 16 s
VGG16 53.11（51.69-54.50） 20 min 6 s
SqueezeNet 53.11（51.63-54.56） 9 min 52 s
VGG19 53.11（51.61-54.60） 27 min 7 s
GoogleNet 53.11（51.59-54.70） 12 min 14 s
Darknet19 52.88（51.33-54.32） 13 min 13 s

Model performance chart
1.00
Xception
Mobilenetv2
0.95
Efficientnetb0
Nasnetmobile
Inceptionv3
Darknet53 Densenet201
0.90
Resnet18
Resnet50
Accuracy 0.85 Resnet101
0.80 Shufflenet

0.75

0.70
Inceptionresnetv2

0.65
300 1 300 2 300 3 300 4 300 5 300 6 300 7 300 8 300 9 300
Time（s）
图4 模型效能对比图
Figure 4 Chart of model performance comparison