基于NetB7的高效深度学习框架，用于增强肺癌和结肠癌组织病理图像的分类

Summary

本文介绍了基于EfficientNetB7模型的深度学习系统，用于精确分类肺癌和结肠癌的组织病理图像。通过预处理、数据增强和迁移学习，模型准确率提升了96%。该方法在帮助临床癌症诊断方面具有很高的潜力。

Abstract

肺癌的早期诊断在确保患者治疗和生存率提升方面起着关键作用。这仍然是临床研究的主要关注点。人工智能（AI）通过显著提升诊断准确性和效率，彻底改变了病理学。本研究以预训练的EfficientNetB7模型为形式，构建了一个稳健的深度学习模型，以极高的准确率96%对结肠和肺组织的组织病理图像进行分类。模型性能通过先进的预处理方法、微调和领域特定数据增强技术进行了优化。这些策略有助于减少类别不平衡和细微的组织学差异等问题。为解决过拟合问题，结合了多种数据增强技术，并引入了早期停止准则。这种方法使培训变得高效且具成本效益。对该模型的稳健验证显示了其在临床应用中的高度实用性，使病理学家能够及时且准确地诊断出问题。将先进的深度学习模型整合进医学影像工作流程，有望实现癌症的早期和准确诊断，最终改善患者预后。

Introduction

肺癌和结肠癌是全球死亡率最高的癌症之一。根据全球卫生统计，肺癌是每年死亡人数超过180万的致命癌症，其次是结肠癌，是第三大恶性肿瘤，也是第二大癌症死亡原因。准确和早期诊断对于有效治疗和提高这些癌症的生存率至关重要。组织病理学检查，即病理学家对组织样本的显微镜评估，仍然是癌症检测最常用的方法^之一。图1展示了多种肺和结肠组织的组织病理样本图像²。

图1：数据集中的样本图像。 本图展示了LC25000数据集中各类的代表性样本，突出了良性和恶性肺及结肠组织图像之间的视觉多样性。

Protocol

本研究未涉及对人体参与者或动物的直接实验。所有工作均使用公开可得的匿名LC25000组织病理图像数据集，该数据集不含可识别的患者信息或直接处理人体组织。无需机构审查委员会（IRB）或机构动物护理与使用委员会（IACUC）批准。所有程序均符合伦理标准，并遵守数据集的学术研究使用条款。 图2 展示了工作流程图的步骤。

图2：所提方法的工作流程。 工作流程包括数据预处理、增强、模型训练和评估。 请点击此处查看该图的放大版本。

数据集描述
本研究采用了LC25000数据....

Results

图4 展示了训练和验证的准确性。 图5 展示了训练和验证损失。

图4：跨时代的训练与验证准确性。 图示展示了训练集和验证集在所有时代中准确率的递进，展示了模型性能在训练过程中的演变。 请点击此处查看该图的放大版本。

Discussion

在EfficientNetB7深度学习架构下对错误标注实例的关键审查中，对模型预测与验证数据集中真实标签不符的实例进行了关键审查。批判性分析在分析某些分类错误时极为重要，尤其是在模型错误分类肺和结肠组织的各种组织病理特征时¹¹。该过程是对验证集中的所有图像进行类别预测，并与真实分类进行比较。错误分类的图像通过其索引表示，预测标签与实际标签不^一致。其中一张被误分类的图片，通常有五张，会以视觉形式呈现，标注在预测和实际标签上。这种图形显示让我们清晰地了解模型犯了哪些类型的错误，并有助于我们推断错误分类的原因。这种敏锐的关注在确定模型可能需要调整或改进的预处理技术、数据增强流程或模型^架构变更时所必需。放大这些变量有望显著提升模型作为诊断工具的准确性和可靠性，这也是其在临床环境中应用的核心，因为准确的医疗诊断至关重要。

EfficientNetB7结构在本研究中表现优异，尤其是在.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU（CUDA）	NVIDIA	CUDA 版本 11.0	GPU加速用于模型训练和评估。
卡格尔平台	谷歌	无	基于云的机器学习模型开发笔记本
克拉斯	张量流（谷歌）	版本 2.6.0	基于TensorFlow运行的深度学习API。
LC25000	Borkowski AA、Bui MM、Thomas LB、Wilson CP、DeLand LA、Mastorides SM。肺癌和结肠癌组织病理图像数据集（LC25000）	无	该数据集包含25,000张组织病理学图像，分为5个类别。所有图片尺寸为768 x 768像素，格式为jpeg文件。
Matplotlib	Python 软件基础	版本 3.5.0	用于绘制结果的可视化库。
数字派	Python 软件基础	版本 1.19.5	数值计算库。
OpenCV	开源	版本 4.5.4	图像处理与计算机视觉库。
熊猫	Python 软件基础	版本 1.3.4	数据分析与作工具。
Python（Anaconda 发行版）	蟒蛇公司	版本 3.7.12	包含预装的软件包和环境管理工具。
Scikit-learn	Python 软件基础	版本 0.23.2	用于绩效评估的机器学习工具。
张量流	谷歌	版本 2.6.2	扩散模型的深度学习框架。