44、基于深度学习和自然启发优化器的乳腺癌组织学图像分类

基于深度学习和自然启发优化器的乳腺癌组织学图像分类

1. 引言

癌症是全球第二大死亡原因，2020 年导致近 1000 万人死亡，约占全球死亡率的六分之一。癌症给社会带来了巨大的经济负担，尤其对中低收入家庭影响显著。乳腺癌是女性中最常见的癌症类型，占全球所有癌症病例的 12.5%。美国癌症协会估计，2024 年美国将有大约 310,720 例乳腺癌病例，其中 56,500 例为原位导管癌，约 42,250 人会因此死亡。

传统上，乳腺癌组织活检标本的识别和分类是通过苏木精和伊红（H&E）染色切片和全切片成像（WSI）进行手动评估的。然而，这个过程复杂、耗时且成本高昂，因为病理学家需要手动分析数千张图像。机器学习和深度学习算法为这一问题提供了解决方案，它们可以自动化和加速这一过程，同时产生准确的分类结果，促使计算机辅助诊断的应用日益增加。

本研究采用了一些方法以及进化优化算法来实现这一过程的自动化。首先，使用 He 等人提出的 ResNet50 进行训练和校准，将其作为深度特征提取器。但 ResNet50 提取的特征维度太高，不适合直接用于机器学习模型分类。因此，使用皮尔逊开发的主成分分析（PCA）方法来减少特征数量，同时保持原始特征集 99% 的方差。还采用了自然启发的进化优化技术，如 Mirjalili 等人提出的灰狼优化（GWO），进一步减少特征集并优化分类准确性。最后，使用 Cortes 和 Vapnik 引入的支持向量机（SVM），并结合径向基函数核，将输入图像分类到相应的组织类别中。

该方法的主要贡献如下：
- 展示了一种完全自动化的组织病理学图像分类技术。ResNet50 在 BreakHis 数据集上进行训练和精细校准后，能够提