98、利用 Inception V4 CNN 模型进行结直肠癌组织病理学图像分类

利用 Inception V4 CNN 模型进行结直肠癌组织病理学图像分类

1. 引言

结直肠癌（CRC）是全球第三大常见癌症，发病率为 6.1%，死亡率为 9.2%。预计到 2030 年，全球新发病例和死亡人数将增加 60%。准确的医学影像分类有助于预测结直肠癌的进展。

目前，光学结肠镜检查是常用的临床诊断方法，但诊断 CRC 需要病理学家进行细致的视觉检查，使用 H&E 染色的冰冻或福尔马林固定石蜡包埋（FFPE）组织样本制作的数字全切片图像（WSIs）进行诊断。然而，WSI 分析存在困难，如图像尺寸大、组织学变化复杂等，这使得诊断过程复杂且耗时。此外，胃肠诊所对结肠标本评估的要求严格，病理学家需要接受长期培训。因此，提供可靠的 CRC 检测和病理图像分析技术至关重要。

现代人工智能（AI）技术，包括深度学习（DL），在数据分类和预测方面非常有效。卷积神经网络（CNN）已成功应用于多种癌症的 WSI 分析。本文提出了一种基于弱标签监督 DL 的全新自动化 AI 方法，用于广泛的临床 CRC 诊断应用，采用 Inception-v4 CNN 架构对 CRC 组织学图片进行分类。

2. 文献综述

2.1 不同方法的分类结果

文献	研究目标	分类技术	准确率（%）
[12]	使用机器学习在放射科医生水平上进行胸部 X 光肺炎诊断