Page 60 - 南京医科大学自然版
P. 60
第46卷第4期
·528 · 南 京 医 科 大 学 学 报 2026年4月
Cancer
Recognition of
cancer and
noncancer
Non⁃cancer
Extract the
tumor area
Poorly
differentiated
Tumor grading
Moderately
recognition
differentiated
Well⁃differentiated
图8 可视化结果示例
Figure 8 Example of visualization results
本较低，即使是拥有较高参数的VGG系列，现代计算 依从性较低。此外，病理诊断也存在一定的主观
资源也可以轻松部署。而集成模型部署时可分别调 性，不同病理学家对早期病变的判断可能存在差
用子模型，综合来看，部署可行性同样较高。 异。这些问题都限制了胃癌筛查的普及和准确
性。在这样的背景下，开发高精度、标准化的 AI 辅
3 讨 论
助诊断工具能够减少人为误差，提高诊断准确性，
胃癌是全球范围内常见的恶性肿瘤之一，早期 同时提高筛查速度、促进筛查诊疗规范化，对提升
胃癌的治愈率较高，但多数患者在确诊时已处于晚 胃癌早筛效率具有重要的临床价值。近期研究也
期，治疗难度大且预后差。因此，早期筛查和诊断 进一步强调标准化 AI 工具在提升早期胃癌检测效
对降低胃癌的病死率至关重要。然而，传统的胃癌 率中的关键作用。Wang 等 ［13］ 通过深度学习系统显
筛查方法存在诸多挑战。例如，内镜检查依赖于内 著提高了内镜图像中早期胃癌病变的诊断准确率
镜医师的经验和技能，且检查过程较为痛苦，患者 （AUC=0.96），并将内镜医师间的观察差异性降低了
548.0
528.0
（MB）
Parameter size 98.0 213.0 171.0 159.0
20.0 88.0 5.5 20.0 77.0 14.0 45.0 91.0 27.0 80.0 4.7
Darknet19
Googlenet
Densenet201
Shufflenet
Nasnetmobile Xception Efficientnetb0 Inceptionresnetv2 Mobilenetv2 Resnet18 Darknet53 Vgg19 Vgg16 Squeezenet
Resnet50
Resnet101
Inceptionv3
图9 模型参数图
Figure 9 Model parameter diagram
