Page 62 - 南京医科大学自然版
P. 62

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


              learning）增强跨域特征对齐，以提升模型对异质数                       估了计算资源。综合来看，模型应用较高的可部署性
                          ［27］
              据集的鲁棒性 。                                          与一定的实用性，为真实世界的应用提供了理论基础
                  在分类模型构建完成的基础上，本研究进一步                          与试验框架，未来研究可据此进一步深化验证。
              探究 CNN 在肿瘤病理图像分级识别的应用。训练                               本研究的高分类诊断准确率（98.13%）与高分
              结果显示，相对于分类识别，分级识别的任务复杂                            级准确率（95.06%）为胃癌个性化治疗提供了关键
              度明显提高，模型的性能均出现了不同程度的下                             技术支持。例如，精准识别中分化腺癌（TM 类）可
              降。为了提升分级识别性能，本研究尝试通过集成                            辅助临床医生制定靶向治疗方案，降低过度化疗风
              学习达成相比单一模型更优的性能。结果显示，集                            险 ［29］ 。此外，AI辅助诊断系统可缓解病理学家的工
              成学习可在单一模型的基础上继续突破，拥有更高                            作负荷，尤其适用于医疗资源匮乏地区。Tomita等                   ［30］
              的图像识别精度上限与潜力。其中，堆叠法的提升                            研究表明，AI与病理学家的协同诊断可将误诊率降
              效果优于投票法。最终分级识别模型准确率达                              低至2.1%。然而，临床落地仍需解决模型可解释性
              95.06%、灵敏度达94.77%、特异度达98.36%、F1分数                 问题，如通过Grad⁃CAM可视化关键病理区域，增强
                                                                                     ［31］
              达 94.82%，BN AUC 达 0.999 4，TP AUC 达 0.981 1，       医生对AI决策的信任度 。
              TM AUC 达 0.989 6，TW AUC 达 0.995 1。相比单一                 在DeepSeek带来的浪潮下        ［32］ ，多家医院开始接
              模型，其准确率、灵敏度、特异度都拥有一定提升，                           入语言大模型，构建医疗智能应用平台。创建“大
              达成更高的F1分数。Stacking集成框架在分级任务                       模型中枢+专科智能体”协同体系，调用自有AI小模
              中展现出的显著性能提升（较平均单模型准确率提                            型形成诊疗链（chatflow）的方式拥有巨大的应用潜
              高3.10%，较硬投票法提高0.68%），其本质原因在于                      力。本研究的迁移⁃集成联合策略对于AI小模型的
              它有效利用了基模型之间的多样性和特征互补                              快速部署实现具有一定辅助意义。
              性。如表 2 所示，本研究筛选的 13 个基模型（如                             本研究的主要局限性包括：①由于数据集限
              ResNet101、EfficientNetB0、DenseNet201、ResNet50、    制，未能进一步识别病理图片的其他内容，如亚型
              MobileNetV2、Darknet53、Xception 等）虽然整体性能           分类等，应用范围受限；②研究模型仅进行了胃腺
              较好，但它们在架构设计、特征提取偏好和错误模                            癌的分级，识别种类较少，更多的胃癌亚型分级有
              式上存在显著差异（如ResNet系列可能擅长捕捉深                         待研究；③数据来源集中于东亚人群，可能限制模
              层语义特征，而 MobileNetV2/EfficientNetB0 在纹理            型对欧美胃癌图像识别的泛化能力                 ［33］ ；④未纳入多
              和局部模式识别上可能更优）。这种多样性至关重                            模态数据（如基因组或免疫组化染色），限制了图像
              要，它确保了基模型对同一张病理图像可能产生不同                           识别预测的全面性 。
                                                                                 ［34］
              视角或侧重面的预测（概率向量）。Stacking方法的核                           未来研究可从以下方向拓展：①构建跨种族多
              心优势在于其元模型（本研究中为随机森林）能够学                           中心数据集，结合联邦学习（federated learning）在保
              习如何最优组合这些异构基模型的预测输出（即概率                           护数据隐私的同时增强泛化性 ；②开发多任务学习
                                                                                           ［35］
              向量拼接形成的新特征空间）。随机森林作为强大的                           框架，同步实现分类、分级与生存分析 ；③结合自监
                                                                                                 ［36］
              非线性分类器，能够从基模型的“集体智慧”中挖掘更                          督或弱监督学习，探究深度学习特征提取与病理图像
              深层次的、单一模型难以捕捉的模式关联，特别是对                           现实世界特征的关联，并拓展其可解释性 ；④进一
                                                                                                     ［37］
              于胃腺癌分级这种需要识别细微组织学差异（如腺管                           步加入细胞核的形态特征、核浆比、染色质结构等手
              形成程度、细胞极性、核异型性程度）的连续谱系任                           动提取特征，对比、融合以提升模型性能。未来工作
              务。元模型通过学习基模型预测之间的复杂非线性                            将聚焦于多模态数据融合与轻量级实践部署，增强模
              关系，能够校正单个模型的系统性偏差或特定类别的                           型的可解释性与准确度，以实现胃癌诊断从“辅助工
              误判，从而实现更鲁棒和准确的最终预测 。相比之                           具”向“决策核心”的转化。本研究的方法论也可扩展
                                                 ［28］
              下，硬投票法仅进行简单的多数表决，无法充分利用                           至其他癌症类型，推动AI在精准医学中的纵深应用。
              基模型预测中蕴含的丰富概率信息和互补性。                                   综上，本研究针对胃肿瘤病理图像的分类诊断
                  为模拟真实应用场景，本研究构建了一个输入全                         与分级识别构建模型，通过多模型横向对比与异构

              切片图像⁃分割⁃癌与正常组织分类识别⁃癌分级诊断⁃                         集成策略，系统优化了胃癌病理图像模型的分类与
              可视化结果的端到端处理流程，将识别结果进行可视                           分级性能，并创新性地融合迁移学习与集成学习，
              化，进一步加强研究的可用性，并且根据模型参数评                           模拟现实世界的端到端识别辅助流程，验证了该联
   57   58   59   60   61   62   63   64   65   66   67