基于深度学习的宫颈原位腺癌图像识别方法

作者：刘畅; 郑宇超; 谢文倩; 李晨^*; 李晓晗^*

来源：协和医学杂志, 2023, 14(01): 159-167.

• 深度学习算法
• 宫颈原位腺癌
• 迁移学习
• 病理诊断

目的 基于深度学习算法构建宫颈原位腺癌(cervical adenocarcinoma in situ, CAIS)病理图像诊断模型。方法 回顾性收集2019年1月至2021年12月中国医科大学附属盛京医院病理科保存的CAIS患者病变组织、慢性宫颈炎患者正常宫颈管腺体病理切片。图像采集后，均按4∶3∶3的比例随机分为训练集、验证集和测试集。使用训练集、验证集数据对VGG16、VGG19、Inception V3、Xception、ResNet50和DenseNet201共6种网络模型进行迁移学习训练和参数调试，构建可识别CAIS病理图像的卷积神经网络二分类模型，并将模型进行组合，构建集成学习模型。基于测试集数据，采用运算时间、准确率、精确率、召回率、F1值、受试者操作特征曲线下面积(area under the curve, AUC)对模型识别CAIS病理图像的性能进行评价。结果 共入选符合纳入和排除标准的CAIS患者病理切片104张、慢性宫颈炎患者正常宫颈管腺体病理切片90张。共收集CAIS、正常宫颈管腺体病理图像各500张，其中训练集、验证集、测试集图像分别400张、300张、300张。6种模型中，ResNet50模型的准确率(87.33%)、精确率(90.00%)、F1值(86.90%)及AUC(0.87)均最高，召回率(84.00%)居第2位，运算时间较短(2062.04 s),整体性能最佳，VGG19模型次之，Inception V3与Xception模型的性能最差。6种集成学习模型中，ResNet50与DenseNet201集成模型的整体性能最优，其准确率、精确率、召回率、F1值、AUC分别为89.67%、84.67%、94.07%、89.12%、0.90,VGG19与ResNet50集成模型次之。结论 通过深度学习算法构建CAIS病理图像识别模型具有可行性，其中ResNet50模型的整体性能较高。集成学习可提高单一模型对病理图像的识别效果。

• 单位
  中国医科大学附属盛京医院; 东北大学