一种用于患者级乳腺癌组织病理学分析的改进混合CNN特征选择与ANN分类框架

《Franklin Open》:A modified hybrid CNN-based feature selection and ANN classification framework for patient-level breast cancer histopathology analysis

【字体: 大 中 小 】 时间:2026年03月18日 来源:Franklin Open CS1.4

编辑推荐:

  组织病理学图像分析在乳腺癌诊断中占据核心地位;然而,由于患者间变异性、数据集异质性和评估限制,开发既可靠又可泛化的计算模型仍具挑战性。这些挑战凸显了验证策略的重要性,即强调可重复性和稳健性与预测性能并重。在本研究中,研究人员提出了一种用于乳腺癌组织病理学分类的

  
组织病理学图像分析在乳腺癌诊断中占据核心地位;然而,由于患者间变异性、数据集异质性和评估限制,开发既可靠又可泛化的计算模型仍具挑战性。这些挑战凸显了验证策略的重要性,即强调可重复性和稳健性与预测性能并重。在本研究中,研究人员提出了一种用于乳腺癌组织病理学分类的混合框架,该框架结合了基于迁移学习的特征提取与轻量级人工神经网络(ANN)分类器。采用预训练的DenseNet121模型作为冻结特征提取器,从组织病理学图像中获取高级表征,随后通过基于随机森林(Random Forest)的特征选择降低维度并提高特征稳健性。研究人员在相同实验条件下,使用包括一种新颖权重更新方案在内的多种优化策略训练ANN进行分类。为确保可靠评估,研究采用基于分组数据分割的严格患者级五折交叉验证,并在患者层面聚合预测结果以缓解信息泄漏。该框架在两个独立公共数据集BreakHis和BACH上进行评估,以检验外部泛化能力。实验结果表明,所评估的优化方法在折次和数据集间产生了可比的分类性能,变异主要受特征表征和验证策略影响,而非仅由优化器选择决定。总体而言,本研究强调了谨慎的验证设计、患者级评估和外部数据集测试在开发可靠的乳腺癌组织病理学分类系统中的重要性。所提出的框架提供了一个可重复且计算高效的基准,可支持未来研究向临床现实和可扩展诊断应用方向发展。
乳腺癌是全球最常见确诊的恶性肿瘤之一,也是导致女性癌症相关死亡的主要原因。根据世界卫生组织数据,2020年全球报告超过230万新发病例和685,000例死亡,且该趋势在发达国家和发展中国家均持续上升。早期精准检测对于提高生存率、指导适当治疗以及降低疾病总体负担至关重要。尽管诊断技术取得显著进展,但在不同医疗环境中实现一致准确性和可及性仍面临挑战。传统诊断方法包括 mammography 和计算机断层扫描(CT),其中 mammography 虽有标准影像学工具地位,但在致密乳腺组织的年轻女性中敏感性降低且涉及电离辐射重复暴露;CT则主要用于局部解剖学评估,并非针对乳腺癌检测优化。因此,乳腺组织的组织病理学检查仍是确诊的金标准,通过显微镜下组织样本分析使病理学家能够鉴别区分良恶性病变的形态学和细胞异常。然而,组织病理学面临耗时费力、需要高水平病理学家且资源受限地区供给不足等挑战,加之观察者间变异性引入主观性,以及组织学图像本身的复杂异质性使手动分析复杂且有时不一致,这些局限推动了计算机辅助诊断(CAD)系统的发展。

近年来,人工智能(AI)特别是深度学习的发展彻底改变了医学图像分析领域。卷积神经网络(CNN)在直接从原始图像捕获高级判别特征方面表现卓越,无需手工设计特征。多项研究已验证其在乳腺癌组织病理学中的有效性,如Rafiq等人基于DenseNet121的深度学习框架在BreakHis数据集上达到98.5%准确率和0.98的AUC;Pradeepa等人提出的EfficientNetV2与GRU及注意力机制混合模型在BreakHis和Camelyon17数据集上报告精确率、召回率和F1分数均超95%。然而,训练ANN进行分类任务高度依赖优化算法,传统技术如梯度下降(Gradient Descent, GD)、均方根传播(Root Mean Square Propagation, RMSprop)和带动量的梯度下降虽广泛使用,但常存在收敛慢、易受局部最小值影响及泛化能力降低等问题,这催生了对更稳健可靠优化策略的需求。

在此背景下,本研究提出了一种改进的基于CNN的特征提取方法,并与用于ANN训练的新颖权重更新算法相结合。研究使用BreakHis乳腺癌组织病理学数据集,将所提方法与常规优化技术进行基准比较。实验发现,采用新颖算法训练的ANN取得了优越性能,达到100%分类准确率,并在F1分数、精确率、敏感性和特异性等多项评估指标上表现改善。值得注意的是,尽管现有许多研究在乳腺组织病理学数据集上报告了强劲分类性能,但验证层级并非总是明确表述。多数情况下,报告结果基于图像或 patch 级别评估,这可能因相似样本同时出现在训练集和测试集中而高估性能。相比之下,本研究明确强制执行患者级验证,确保交叉验证中给定患者的所有图像仅出现在单一折中,这一区分具有临床意义,因实际诊断决策在患者层面而非图像层面做出。

研究采用两个独立公共数据集:BreakHis数据集由巴西病理解剖和细胞病理学(P&D)实验室在2014年临床研究中收集,包含7909张组织病理学图像(2480张良性、5429张恶性),在40X、100X、200X和400X四种不同放大倍数下获取;BACH数据集作为ICIAR 2018乳腺癌组织学图像大挑战的一部分发布,包含正常组织、良性病变、原位癌和浸润癌四种组织学类别的高分辨率彩色显微图像,本研究将其原始多类别标注映射为良性和恶性两类以保持与BreakHis实验的二分类设置一致。

在特征提取框架方面,研究采用基于迁移学习的框架,使用预训练的DenseNet121卷积神经网络作为主干模型提取深度表征。网络以ImageNet数据集学习的权重初始化,配置时去除最终分类层,仅作为特征提取器使用。所有DenseNet121主干层在特征提取期间保持冻结,确保学习的卷积滤波器保持不变,提供稳定可重复的特征表征,同时避免额外参数优化。每张组织病理学图像加载后转换为RGB格式,调整大小为224×224像素以匹配DenseNet121架构的输入维度要求,随后通过标准预处理函数进行归一化处理,使像素强度分布与DenseNet121原始训练时强调的统计特征对齐。预处理后的图像通过冻结的DenseNet121主干前向传播,卷积层生成编码空间、纹理和结构特征的高维特征图;通过全局平均池化操作对最终卷积特征图处理,将每个特征通道的空间信息聚合,得到1024维固定长度深度特征向量。为降低特征维度并消除冗余信息,采用随机森林分类器进行特征选择,基于各特征对集成决策过程的贡献计算重要性分数,保留排名前50的最具信息量的特征。所选50维特征向量经min-max归一化处理,缩放至一致数值范围,确保后续分类和优化阶段的平衡贡献。整个特征提取过程中保留患者标识符并与每个特征向量关联,最终数据集以.csv格式导出,支持后续的患者级学习和评估。

分类阶段采用轻量级前馈人工神经网络,架构包含三个主要组件:输入层接受50维归一化特征向量;隐藏层包含固定数量神经元并采用非线性激活函数以捕获输入特征间的复杂关系;输出层为单个神经元配合sigmoid激活函数,产生对应良性(0)和恶性(1)类别的概率输出。为控制模型复杂度并降低过拟合风险,ANN架构刻意保持浅层,仅含单个隐藏层和有限数量的可训练参数,这对样本量有限的医学数据集尤为重要。研究评估了隐藏层中的多种激活函数,包括sigmoid、双曲正切(tanh),以及基于修正线性单元(Rectified Linear Unit, ReLU)的变体,还考察了将ReLU、泄漏修正线性单元(Leaky ReLU)和指数线性单元(Exponential Linear Unit, ELU)与输出层sigmoid激活相结合的混合激活配置。输出层的sigmoid激活将预测值约束在[0,1]区间,通过0.5阈值确定最终类别标签。

训练过程中,ANN使用多种权重更新策略进行优化以评估其对学习行为和分类性能的影响,包括标准梯度下降(GD)、带动量的梯度下降(Gradient Descent with Momentum, GDM)、均方根传播(RMSprop)以及先前提出的新颖权重更新算法。所有优化策略在相同实验条件下实施,包括网络架构、学习率、激活函数配置和训练轮数,以确保公平一致的比较。为进一步缓解过拟合,训练期间引入L2权重正则化(权重衰减),惩罚过大权重并促进更平滑的决策边界,该正则化在所有优化策略中一致应用。模型训练在每折交叉验证中固定轮数内迭代进行,每次迭代应用前向传播和反向传播以根据所选优化策略和正则化约束更新网络权重。评估时首先为单个样本生成预测,随后通过平均每位患者的预测概率在患者层面聚合预测,再使用患者级预测计算性能指标,提供跨折次的稳健且具临床意义的模型行为评估。

在40X分辨率下,各优化算法在BreakHis数据集上表现出可比的跨折次分类性能,总体准确率约84%至91%,无优化策略在所有评估指标上持续占优。对于sigmoid和基于ReLU的激活函数,传统优化方法如GD、GDM和RMSprop通常取得略高的准确率和F1分数,而所提新颖优化方法产生稳定且具有竞争力的结果。Tanh激活函数表现出更大的间距性能变异性,尤其在GDM情况下。分析表明,激活函数选择和严格的患者级验证协议对性能的影响大于优化算法选择本身,所提方法提供了与成熟优化技术相当的稳定可重复性能。

在100X分辨率下,各优化算法继续保持竞争性患者级分类性能,总体准确率主要在87%至91%之间。RMSprop在多种激活下显示出强劲的召回率和AUC分数,反映其在处理复杂特征分布方面的有效性。Tanh激活对优化器选择更为敏感,而所提新颖优化器在患者分割间保持了一致性能,支持其稳健性。

200X分辨率下,优化算法继续表现出强劲一致的患者级分类性能,总体准确率维持在87%至91%。RMSprop持续产生高召回率和竞争性AUC值,所提新颖优化器在所有评估指标上产生略低但稳定的性能,跨患者分割的准确率无明显退化。

400X分辨率下,分类性能在激活函数和优化策略间表现出更大变异性,总体准确率在86%至91%之间。更高结构复杂性和噪声放大了对激活函数选择的敏感性;Tanh激活出现显著不稳定性,而RMSprop和所提方法在一定程度上缓解了此效应。所提优化器展示有限方差但无系统性优势,概率分布更广且特征间相关性降低。

BACH数据集上,分类性能在激活函数和优化算法间表现出中度变异性,总体准确率约69%至78%,反映出比BreakHis更具挑战性的分类场景。RMSprop通常实现更高准确率、F1分数和AUC值;所提新颖优化方法在大多数激活函数下保持竞争性但持续较低的准确率。该优化器避免了极端的折次退化,支持其稳健性。

讨论部分系统分析了图像放大倍数、优化策略稳健性、可视化分析洞察以及BACH数据集性能特征。研究表明,在所有BreakHis放大倍数下,患者级分类准确率持续较高;低放大倍数下组织病理学模式由全局组织结构和良好分离的形态学线索主导,学习任务对优化器选择敏感性较低;随着放大倍数增至200X和400X,性能变异性更加显著,激活函数选择发挥更决定性作用,ReLU和Sigmoid激活始终表现出优于Tanh的稳定性,后者在400X时因梯度饱和效应出现退化。RMSprop凭借其自适应学习率机制在200X和400X放大倍数频繁实现更高召回率和AUC值;所提新颖优化方法虽未持续超越经典优化器,但在所有放大倍数下保持平衡的精确率-召回率权衡并避免单折中的极端性能退化,折次分析确认跨患者分割方差降低,这种稳定性而非激进优化行为对临床决策支持系统尤为重要。

患者级预测概率直方图和特征相关性热图提供了定性洞察:40X和100X时概率直方图在置信预测附近尖锐集中,特征相关性热图显示结构化一致的内部特征关系;200X和尤其400X时概率分布变宽且类别重叠增加,特征相关性热图呈现更弱更碎片化的相关模式。所提新颖优化方法产生更平滑的概率分布和更少极端置信峰值,强化了其在挑战性高分辨率条件下的保守稳定学习行为。BACH数据集因多类别结构和显著形态重叠呈现更复杂场景,准确率普遍较低反映数据集语义复杂性而非框架缺陷;所提优化器保持跨折次稳定,RMSprop和ReLU激活提供更强性能。未来研究可探索放大倍数感知训练策略、混合优化方案和自适应激活选择,扩展到更大规模多机构数据集和全切片成像框架将进一步增强转化潜力。

研究结论指出,本研究提出了全面的患者级乳腺癌分类分析,结合基于CNN的特征提取与多种激活函数和优化策略。所有BreakHis放大倍数下实现了可靠的患者级分类,尽管高分辨率下结构复杂性增加;低放大倍数受益于更清晰的全局组织模式,高放大倍数下性能变异性增加,凸显激活函数选择和学习稳定性的重要性。RMSprop在更高放大倍数下频繁实现竞争性准确率、召回率和AUC值;所提新颖优化方法虽未持续超越经典优化器,但表现出跨折次和放大倍数的稳定行为,对患者的敏感性降低,偏好平衡泛化而非激进收敛。BACH评估进一步验证了更难多类别条件下的观察,RMSprop和ReLU激活提供更强性能,所提方法保持稳定。概率直方图和特征相关性热图补充了定量发现,低放大倍数产生更尖锐概率分布和更一致特征相关性,高放大倍数和BACH数据集表现更广分布和降低特征一致性。总体而言,放大倍数水平和数据集特征对分类性能的影响大于孤立优化器选择;所提方法贡献了稳定可靠的替代方案,强调稳健性和一致性而非边际准确率增益,为患者级组织病理学图像分析的整体评估框架提供了重要贡献,支持向可靠可解释乳腺癌分类系统发展。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号