13、卷积神经网络在乳腺癌诊断中的应用与解释

卷积神经网络在乳腺癌诊断中的应用与解释

1. 背景与问题提出

浸润性导管癌（IDC）是最常见的乳腺癌形式。目前，诊断机构的病理学家通过对患者进行活检，取出小组织样本并在显微镜下分析，将组织的整个样本分割成小块，判断每个小块是否为 IDC 阳性或阴性，以此确定癌症的侵袭性和分级。现在，诊断机构希望扩展其人工智能系统的功能，使其能够自动评估组织样本的图像，确定每个小块是 IDC 阳性还是阴性，并给出置信度。这个问题可以被表述为一个二元分类问题，与之前不同的是，分类器的输入是图像，而非结构化的表格数据。

2. 探索性数据分析

• 数据集信息 ：该图像数据集包含来自 279 名患者的组织样本和 277,524 张组织小块的图像。原始数据集来自 Kaggle，经过预处理以提取与这些图像相关的元数据。预处理笔记本和预处理后的数据集可在相关 GitHub 仓库中找到。
• 数据分布 ：在 277,524 个小块中，大约 70% 为 IDC 阴性，30% 为 IDC 阳性，数据集高度不平衡。处理不平衡数据集时，需要注意两点：
  • 使用正确的性能指标，如精度、召回率和 F1 值，来测试和评估模型。
  • 对训练数据进行重采样，对多数类进行欠采样或对少数类进行过采样。
• 图像特征观察 ：通过观察随机样本的 IDC 阳性和阴性小块图像（尺寸均为 50×50 像素），可以发现 IDC 阳性小块有更多深色染色的细胞，深色染色的密度也更高，通常用于染色细胞核；而