15、深度学习在癌症诊断和预后中的应用与挑战

深度学习在癌症诊断和预后中的应用与挑战

一、深度学习在癌症诊断中的基础概念

1.1 池化特征图

在卷积神经网络（CNN）中，池化特征图用 (Z_{k}^{l}) 表示，它代表第 (k) 个输入特征图 (G_{k}^{l}) 在第 (l) 层的池化结果，其中 (f_p) 定义了池化操作的类型。池化操作在CNN中的应用得到了众多研究者的认可，其操作如公式11.8所示。

1.2 决策函数

决策函数（也称为激活机制）用于学习内在特征图。选择合适的激活函数可以加速学习过程。卷积特征通过使用公式11.9定义的激活函数进行映射来激活：
[
D_{k}^{l} = f_{a}(G_{k}^{l})
]
卷积的输出 (G_{k}^{l}) 被传递到非线性的决策函数 (f_a)，返回变换后的第 (l) 层输出 (D_{k}^{t^{l}})。常用的用于克服梯度消失问题的激活函数是ReLU，如公式11.10所示：
[
ReLU =
\begin{cases}
0, & \text{if } x \leq 0 \
x, & \text{if } x > 0
\end{cases}
]
Sigmoid激活函数如公式11.11所示：
[
Sigmoid = \frac{x}{1 + e^{-x}}
]

1.3 归一化

特征图通过公式11.12从内部协方差中进行校正：
[
N_{k}^{l} = \frac{G_{k}^{l} - \mu_{B}}{