Page 59 - 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 ·527 ·

表2 单模型分级性能
Table 2 Single⁃model grading performance
Network Accuracy（95%CI） Average sensitivity（95%CI） Average specificity（95%CI） Average F1⁃score（95%CI）
ResNet101 93.34（92.85-93.83） 92.91（92.41-93.44） 97.78（97.62-97.95） 93.02（92.52-93.53）
ResNet50 93.29（92.78-93.75） 92.84（92.31-93.34） 97.76（97.59-97.92） 92.97（92.43-93.45）
EfficientNetB0 93.11（92.60-93.57） 92.62（92.10-93.11） 97.71（97.54-97.87） 92.70（92.17-93.18）
DenseNet201 92.93（92.41-93.42） 92.55（92.00-93.10） 97.67（97.49-97.83） 92.54（91.98-93.06）
ResNet18 92.51（91.97-93.02） 92.04（91.49-92.58） 97.51（97.32-97.68） 92.16（91.61-92.69）
MobileNetV2 92.21（91.67-92.71） 91.71（91.16-92.24） 97.41（97.23-97.58） 91.80（91.25-92.32）
Darknet53 92.06（91.53-92.59） 91.47（90.90-92.03） 97.36（97.18-97.53） 91.67（91.11-92.23）
Xception 91.84（91.30-92.38） 91.47（90.90-92.04） 97.30（97.12-97.48） 91.50（90.93-92.06）
NASNetMobile 91.29（90.74-91.83） 90.57（89.96-91.15） 97.10（96.91-97.28） 90.80（90.22-91.37）
ShuffleNet 90.97（90.42-91.52） 90.34（89.74-90.93） 97.00（96.81-97.19） 90.49（89.89-91.07）
InceptionResNetV2 90.86（90.28-91.42） 90.49（89.91-91.07） 96.98（96.79-97.16） 90.43（89.84-91.01）
InceptionV3 90.61（90.04-91.16） 90.07（89.45-90.64） 96.88（96.69-97.06） 90.14（89.53-90.71）
VGG16 90.47（89.84-91.05） 90.01（89.42-90.61） 96.84（96.63-97.04） 90.07（89.47-90.66）
VGG19 89.97（89.40-90.56） 89.38（88.81-89.96） 96.66（96.46-96.85） 89.48（88.90-90.05）
GoogleNet 88.75（88.16-89.38） 88.15（87.53-88.82） 96.26（96.06-96.48） 88.26（87.66-88.91）
Darknet19 86.75（86.09-87.47） 85.65（84.95-86.38） 95.56（95.33-95.80） 85.98（85.26-86.71）
SqueezeNet 83.83（83.10-84.53） 82.97（82.22-83.72） 94.62（94.38-94.86） 83.18（82.41-83.91）

表3 集成模型性能指数
Table 3 Average performance index of ensemble models
Network Accuracy（95%CI） Average sensitivity（95%CI） Average specificity（95%CI） Average F1⁃score（95%CI）
Hard voting method 94.38（93.93-94.84） 93.98（90.23-97.72） 98.13（97.24-99.25） 94.08（91.14-97.34）
Random forest 95.06（94.64-95.47） 94.77（94.32-95.21） 98.36（98.23-98.50） 94.82（94.38-95.26）

癌 AUC=0.995（95% CI：0.994~0.996）。平均 AUC= 1.0
0.991（95%CI：0.990~0.992），显示优秀的识别性能。 0.9
2.3 真实场景模拟评估 0.8
0.7
挑选 TCGA 中的病理切片模拟真实场景处理，
进行端到端的诊断识别流程演示。输入需要识别 Sensitivity 0.6
0.5
的整张切片，模型开始切割，去除背景，保留组织部 0.4
Poorly differentiated
分。将组织部分细分切割后，第一个模型开始识 0.3 Well⁃differentiated
别，区分癌与非癌，用绿色表示非癌区块，红色表示 0.2 Moderately differentiated
Benign
癌区块，按识别结果重新拼接为大图，将识别结果可 0.1
Random classifier
视化。癌与非癌区分完成后，依照第一个模型的分类 0
0 0.2 0.4 0.6 0.8 1.0
标记提取癌区块部分，输入第2个模型，区分高分化、 1-Specificity
图7 分级模型的ROC曲线
中分化、低分化，用红色表示低分化，橙色表示中分
Figure 7 ROC curve of grading model
化，黄色表示高分化，同样按识别结果重新拼接为大
图，将识别结果可视化。由此完成整张切片的癌与非 时，可直接调用训练好的模型识别，计算成本与模
癌分类诊断与癌区域的分级识别，结果见图8。 型本身可学习的参数总数有关。若要利用 GPU 进
在实地场景应用时，也需考虑模型计算成本， 行加速，也可通过调整模型输入图片的 batchsize 来
前文中提到使用了 RTX4080 Laptop 训练模型，主要 调整显存占用。为评估计算成本，本研究统计每个
是使用 RTX4080 LaptopGPU 进行训练过程的加速， 模型的可学习参数总数对比图（图9）。由数据可知，
训练完成后，保存已经训练好的模型。当模型运行 大部分模型参数占用均在200 MB以下，部署计算成