使用深度学习集成模型进行乳腺癌组织病理学图像分类

基于预训练的VGG16和VGG19架构训练了四种不同的模型（即完全训练的 VGG16、微调的 VGG16、完全训练的 VGG19 和微调的 VGG19 模型）。最初，我们对所有单独的模型进行了5倍交叉验证操作。然后，我们采用集成策略，取预测概率的平均值，发现微调的 VGG16 和微调的 VGG19 的集成表现出有竞争力的分类性能，尤其是在癌症类别上。

交叉验证的基本思想是把在某种意义下将原始数据(dataset)进行分组，一部分做为训练集(train set)，另一部分做为验证集(validation set or test set)，首先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型(model)，以此来做为评价分类器的性能指标。

乳房X线摄影、超声成像和磁共振成像（MRI），这些非侵入性成像方法可能无法有效地确定癌变区域。为此，通常采用活检技术来更全面地分析乳腺癌组织的恶性程度。活检过程包括收集组织样本，将其安装在显微镜载玻片上，并对这些载玻片进行染色，以便更好地观察细胞核和细胞质。然后病理学家对这些载玻片进行显微镜分析，以最终确定乳腺癌的诊断。

传统的计算机诊断方法，从基于规则的系统到机器学习技术，可能无法有效地挑战乳腺癌组织病理学图像中的类内变异和类间一致性。此外，这些方法主要依赖于