基于深度學習的乳腺癌淋巴結轉移診斷研究

中圖分類號：TP391.4 文獻標識碼：A 文章編號：2096-4706（2025）16-0150-05

Diagnosis Research on Lymph Node Metastasis in Breast Cancer Based on Deep Learning

ZHU Jiawei， JIN Miao， YU Tong （Clinical College，Anhui MedicalUniversity，Hefei 23oo31， China）

Abstract： Breast cancer is one of the most common malignant tumors in women worldwide.Accurate detection of lymph nodemetastasisisofgreatsignifcanceforitsdiagnosisandtreatment.Inordertoimprovethedetectionacuracyofmetastatic cancercellsinpathologicalimages，aneficientNeuralNetworkArchitectureisdesignedandoptimizedbasedontheNeural ArchitectureSearchalgorithm.ThePatchCamelyondatasetisusedinthesudyandthetrainingsetisandomlytakenbacktofo threesub-trainingsets.TeNuralNtworkArchitectureistaindindependentlyintepredefinedsearchspace，nditsweightsare optimizedthroughscondarytraining.Finallytethree modelsareintegrated inparaleltoimprovetheoverallperformance.The experimentalresultsshowthattheesignednetworkissuperiortothetraditionalResNet-18，ResNet-34andVGG-16inindicatos suchas AUC，andhasasmaller modelsize.Inthe network architecture search stage，theaverage acuracyofasingle model is 73.34% ，and the AUC is 75.53% .After optimization and integration，the accuracy of the final model is increased to 90.12% ，the AUC is increased to 91.3% ，and the model size is only 30.2MB ，which has the advantages of high efficiencyand lightweight.

Keywords： breast cancer; lymph node metastasis detection; Neural Architecture Search; Ensemble Learming

0 引言

乳腺癌是全球女性中最常見的惡性腫瘤之一，其發病率和死亡率在許多國家均居于前列[1。淋巴結轉移是乳腺癌分期的重要指標，對于治療方案的制定和預后評估至關重要。在臨床實踐中，淋巴結轉移的檢測通常依賴于病理學家對淋巴結組織病理切片的顯微鏡檢查[2]。然而，這一過程不僅耗時費力，還高度依賴病理學家的經驗，存在主觀性強、效率低等問題。此外，病理學家在面對大量切片時容易出現疲勞，導致診斷結果的不一致的風險增加。因此，開發一種高效、準確且客觀的淋巴結轉移檢測方法具有重要的臨床意義。近年來，隨著深度學習技術的快速發展，基于深度學習的淋巴結轉移檢測技術為此提供了有效的解決方案。Abdollahi等人[]并采用混合卷積神經網絡模型進行癌轉移檢測其確率達 98.84% ，并且VGG16的精確率和召回率分別為92.42% 和 91.25% 。何雪英等人[4改進GoogLeNet結構，通過調整卷積層大小和步長，在BreaKHis數據集上實現了 91.00% 的病理圖像識別率。Wang等人[5]利用 ResNet-50 模型對全切片圖像（WSI）進行分析以識別腫瘤區域，分類網絡在驗證集上的AUC高達 99.00% 。這些研究表明，深度學習在乳腺癌檢測領域具有巨大潛力。然而，現有研究仍存在一些不足。大多數研究集中在全切片圖像或較大尺寸的病理圖像上，而針對PatchCamelyon（PCam）數據集的研究相對較少。PCam數據集由小尺寸的圖像塊組成，更接近臨床實踐中病理學家實際觀察的局部區域。此外，現有研究多依賴于預定義的神經網絡架構，如ResNet、VGG等，這些架構在某些情況下可能無法充分發揮模型的性能。因此，開發一種能夠自動優化神經網絡結構的方法，以減少人為設計偏差并進一步提高檢測精度，具有重要的研究價值。針對上述問題，本文基于PCam數據集，采用神經架構搜索（NeuralArchitectureSearch，NAS）算法自動優化神經網絡結構，以減少人為設計偏差。首先在搜索空間內訓練多個模型，并通過二次訓練優化權重，最后采用并行集成提升性能，最終模型在測試集表現優異。

1材料與方法

1.1材料

數據集使用KaggleTNM112-Lab2（2024）賽事的PCam醫療比賽數據集，該數據集包含訓練集100000張圖像和測試集32768張圖像，圖像尺寸為32×32×3 。隨機從測試集中挑選25000張圖像構成新數據集，使新數據集中訓練集和測試集的比例為8：2（訓練集：測試集），然后將訓練集采用有放回抽樣的方法隨機劃分為三個子訓練集，抽取比例為0.8，最后將原訓練集中未使用的數據劃為驗證集。為提高算法的魯棒性，對訓練集數據進行隨機水平翻轉、豎直翻轉、隨機角度旋轉并填充。數據集樣例如圖1所示，其中（a）（b）（c）為未包含轉移細胞的淋巴組織切片圖像，（d）（e）（f）為包含轉移癌細胞的淋巴組織切片圖像。

圖1數據集樣例

1.2方法介紹

乳腺癌淋巴結轉移診斷的整體算法流程步驟如下：

1）數據處理。有放回從訓練集 T 中抽取樣本組成子訓練集 {t₁，t₂，t₃，…，t_n} 其中抽取比例為0.8；訓練集T 中未抽取數據組成驗證集 E 。

2）訓練階段。使用網絡架構搜索算法（NAS），基于子訓練集 t_i 訓練個體學習器 m_i ；固定個體學習器m_i 的架構，繼續基于子數據集 t_i 訓練網絡參數；訓練過程中獲得輸出 {o₁，o₂，o₃，…，o_n} ，最終采用投票法進行決策，得到最終分類結果。

3）測試階段。使用測試集測試并計算網絡性能。

1.2.1 網絡架構搜索算法

相比于傳統的機器學習算法，卷積神經網絡（ConvolutionalNeuralNetworks，CNN）在目標識別與圖像分割等任務中表現出色[。然而，CNN的設計往往依賴人工完成，不僅過程復雜，而且對設計者的經驗與先驗知識要求較高。此外，CNN結構的可解釋性較差，也為其應用帶來一定挑戰。為了解決上述問題，NAS算法應運而生。NAS通過自動化算法對網絡結構進行搜索，無須人工干預，顯著降低了設計過程中主觀因素的影響和時間成本。同時，NAS能夠挖掘出超越傳統人工設計思路的高效網絡結構，從而進一步提升模型性能，為深度學習領域的發展提供了新的可能性。NAS算法的核心思想是在包含多種算子的搜索空間中，通過搜索策略選擇最優算子來構建神經網絡架構，并根據性能評價指標對網絡架構進行優化和調整[。

搜索空間定義了神經網絡中可供選擇的基本操作單元，例如卷積層、池化層、激活函數及其組合方式等。搜索空間的設計對網絡的最終性能和搜索效率有重要影響[。操作種類過多會導致可選結構的數量顯著增加，從而提高發現高性能網絡的可能性，但同時也會大幅增加計算成本和搜索時間。而過小的搜索空間雖然能夠縮短搜索時間，但可能限制網絡性能的上限，影響模型的效果。因此，如何合理構建搜索空間以在搜索效率與網絡性能之間取得平衡至關重要。經過權衡后，搜索空間的具體選擇如表1所示。

表1搜索空間操作集合

通過對搜索空間中操作算子的控制和選擇，雖然縮短了部分搜索時間，但是選擇出來的8種操作仍然可以隨機組合成數以百萬計的網絡結構，Zoph在CIFAR-10數據集花費了2000GPUdays（即2000塊GPU 訓練一天）才構建出一個高性能網絡[。所以暴力搜索算法無法體現網絡架構搜索算法的優勢。DARTS算法將離散架構搜索轉化為連續問題[10]，然后利用梯度優化算法來搜索神經網絡架構，大大提高

了網絡架構的搜索效率。

神經網絡架構以計算單元cell為基本模塊，每個單元是一個有向無環圖，其中每個節點表示一個特征圖，節點與節點之間的邊為搜索空間中的某一操作。核心單元cell的訓練流程如圖所示，節點 x_i 表示第 i 個特征圖，操作 o_（i，j） 表示節點 x_i 到節點 x_j 之間的操作，操作屬于上述操作集合表1，其中操作“noconnection”表示節點之間無連接。節點 x_i 到節點 x_j 之間的關系可表示為：

x_i=x_io_（i，j）

如圖2中步驟（b）所示，在初始情況下，節點x_i 到節點 x_j 之間的操作有8種可能，操作 o_（i，j） 為混合操作并且是離散的，為了提高搜索效率將離散的操作集合進行連續化，將每個操作添加權重 α_（i，j） ，其中權重 α_（i，j） 經過 softmax 算法處理，此時節點 x_i 到節點 x_j 之間的關系可表示為：

圖2DARTS算法示意圖

圖2中步驟（c）為求解雙層優化問題，為提高搜索效率，可同時優化cell的權重參數 α_（i，j） 和操作內部的網絡權重 ω ，優化器可使用隨機梯度下降（SGD）。網絡訓練時，各個操作的權重不斷優化，其中最優的操作權重逐漸增大，當損失函數收斂或訓練結束時，如圖中步驟（d）所示，將權重最大的操作保留，其他的操作舍棄，最終完成一個cell的訓練。cell也可視為一個節點，按上述流程將多個cell進行組合即可得到用于判斷乳腺癌淋巴結轉移的神經網絡架構。

1.2.2 網絡模型集成

NAS算法生成的模型已具備較高的準確率，但為了進一步提升檢測性能并增強泛化能力，本文采用Bagging并行式集成學習方法，以上述訓練得到的多個網絡模型作為基學習器，最終構建集成模型。模型集成流程如圖所示：首先，使用有放回抽樣方法從訓練集中構造多個子訓練集 t_n ，分別訓練對應的模型 m_n ；隨后，利用Bagging進行集成決策。對于分類任務，Bagging主要采用簡單投票法進行決策，即基學習器分別預測類別，最終結果由多數投票決定。此外，集成模型有效降低了單個模型的方差，使最終模型在AUC和準確率方面均優于單一模型，進一步提升了乳腺癌淋巴結轉移檢測的可靠性，如圖3所示。

圖3集成學習算法流程圖

2 試驗環境與設計

2. 1 試驗環境

試驗的硬件環境為12thGenIntelCorei5-12400FCPU@2.50GHz 、16GB運行內存和NVIDIAGeForceRTX3060GPU；操作系統為Windows11專業版；深度學習框架采用PyTorch，圖像處理使用OpenCV開源庫。

2.2 試驗設計

為控制模型大小和神經網絡搜索訓練時間，共訓練5種基學習器，基學習器個數分別為3、5、7、9、11，其中每個基學習器cell個數為10，每個cell中共4個節點，初始通道數為32，batchsize為32，學習率設為0.025，優化器使用隨機梯度下降算法，動量0.9，權重衰減 3×10^-4 ，搜索周期為50epochs；網絡架構搜索訓練結束后，固定網絡架構繼續訓練網絡參數，超參數batchsize為32，學習率初始值為0.025，并采用余弦退貨策略逐步降低，優化器采用Adam優化，訓練周期為100epochs；最后采用Bagging算法整合基學習器，決策規則采用投票法。

2.3 試驗結果與分析

為評估模型在乳腺癌淋巴結轉移檢測任務中的性能，本文采用準確率（Accuracy）、AUC（AreaUnderCurve）等指標。其中，AUC作為衡量二分類模型性能的重要指標，能夠較為全面地反映模型的分類能力。此外，還使用模型的參數量（ModelSize），以評估模型的實用性。神經網絡架構搜索的單個模型、二次參數優化后的單個模型、Bagging集成模型（3個基學習器）以及常見的ResNet-18、ResNet-34和VGG-16的實驗結果如表2所示。

表2模型評價指標

從表中可以看出，ResNet-18在傳統模型中表現最佳，測試集準確率達到 77.97% ，AUC為 79.23% 而ResNet-34和VGG-16的性能相對較低。其中，VGG-16由于參數量較大（ ¹²⁸MB ），但準確率僅為 65.95% ，AUC僅為 67.31% ，表明該模型在本任務中表現不佳，難以有效提取病理圖像特征。相比之下，NAS生成的模型在僅 10.2MB 的參數量下，實現了 79.73% 的準確率和 80.63% 的AUC，超越了ResNet-18，表明NAS算法通過自動搜索最優網絡架構，考慮了網絡架構組合的各種情況，減少了人為設計偏差。與傳統網絡（如ResNet和VGG）相比，NAS生成的網絡結構能夠更高效地提取病理圖像中的關鍵特征。DARTS提高了搜索效率，但由于架構參數和網絡權重的優化過程是交替進行的，導致權重在搜索階段未能充分收斂，可能影響最終模型的泛化能力。因此進一步固定架構參數，進行二次參數優化訓練。實驗結果表明，與初次搜索得到的模型相比，優化后的模型準確率提升了 6.26% ，AUC提高了 5.10% ，顯著增強了模型的分類能力。最后，通過Bagging并行集成策略，模型的準確率進一步從 79.73% 提升至 90.12% ，AUC從 80.63% 提升至91.30% ，展現出顯著的性能增益。盡管參數量有所增加 （31.1MB）. ），但相較于ResNet-18（ 44.7MB） ）和ResNet-34（ ?83.3MB ），集成模型仍然更加緊湊，說明該方法在保持高性能的同時，仍具有較高的計算效率和良好的部署優勢。

為進一步研究不同數量基學習器對集成模型性能的影響。實驗分別使用了3、5、7、9、11個基學習器進行Bagging集成，結果如表3所示。

表3不同數量基學習器評價指標

從表中可以著出，隨著基學習器數量的增加，集成模型的準確率和AUC均有所提升，但參數量也隨之增加。這表明，雖然增加基學習器數量能夠進一步提升模型性能，但會導致模型規模增大，增加計算成本和存儲需求。綜合考慮模型性能和計算效率，本研究選3個基學習器作為Bagging集成的最優配置。這一配置在保持高性能的同時，兼顧了模型的輕量化和高效性，具有較高的實際應用價值。

3結論

基于PCam數據集，采用NAS算法自動搜索網絡架構，可以減少人為因素對網絡設計的影響，試驗結果表明NAS生成的網絡性能確實優于傳統的人工設計的網絡；之后，繼續二次參數優化訓練克服了DARTS優化策略產生的網絡參數未充分收斂問題；最終通過Bagging集成，模型的準確率提高至90.12% ，AUC提升至 91.30% ，且模型尺寸最小，在保持高性能的同時，兼顧了計算機資源與模型大小的平衡，展現出較強的應用價值。綜上所述，基于NAS和Bagging集成學習算法針對乳腺癌淋巴結是否轉移的判斷具有較高的準確性，為病理智能診斷任務提高了新的思路與可能性。未來可進一步優化網絡搜索策略或增加基學習器個數，提升模型訓練效率和網絡性能，并結合多模態醫學影像數據，以構建更精準和魯棒性更高的病理圖像分析模型。

參考文獻：

[1] XUJT，WANGRT，GUANXX.Enhancing Insights

into Global Cancer Statistics2O22：ImplicationsforCancerControl

[J].Science China Life Sciences，2024：1-3.

[2]平軼芳，閆紅，卞修武.人工智能病理在腫瘤精準醫

療時代的應用與挑戰[J].生命科學，2022，34（8）：929-940.

[3]ABDOLLAHIJ，DAVARIN，PANAHIY，et

al.DetectionofMetastaticBreastCancerFromWhole-slide

Pathology ImagesUsing an Ensemble Deep-learningMethod：

Detection of Breast Cancer Using Deep-learning [J].Archives of

BreastCancer，2022：364-376.

[4]何雪英，韓忠義，魏本征.基于深度學習的乳腺癌病

理圖像自動分類[J].計算機工程與應用，2018，54（12）：

121-125.

[5]WANGX，CHENY，GAOY，et al.PredictingGastric

Cancer Outcome from Resected Lymph Node Histopathology

Images Using Deep Learning [J].Nature Communications，

2021，12（1）：1637.

[6]金燕，薛智中，姜智偉.基于循環殘差卷積神經網

絡的醫學圖像分割算法[J].計算機輔助設計與圖形學學報，

2022，34（8）：1205-1215.

[7]朱家微，江朝暉，洪石蘭，等.基于神經架構搜索的

灌漿期水稻稻穗分割及特征分析[J].激光與光電子學進展，

2022，59（22）：182-188.

[8]楊軍，韓鵬飛.采用神經網絡架構搜索的高分辨率遙感影像目標檢測[J].吉林大學學報：工學版，2024，54（9）：2646-2657.

[9] ZHANGLF，ZHANGLP.Artificial IntelligenceforRemote Sensing Data Analysis：A Review of Challengesand Opportunities[J].IEEE Geoscience and Remote SensingMagazine，2022，10（2）：270-294.

[10]QINYJ，WANGX，ZHANG ZY，et al.Graph

Differentiable Architecture Search with Structure Learning [J]. Advances in Neural Information Processing Systems，2021， 34：16860-16872.

作者簡介：朱家微（1998.04—），男，漢族，安徽宿州人，助教，碩士研究生，研究方向：智能信息處理；金淼（1996.12一），女，漢族，安徽肥西人，助理工程師，碩士，研究方向：智能材料柔性機器人；余童（1993.02—），男，漢族，安徽六安人，講師，碩士，研究方向：物理電子。