Рак легкого остается ведущей причиной смертности от онкологических заболеваний в мире. Команда исследователей создала и оптимизировала модель глубокого обучения для автоматического распознавания и классификации патоморфологических изображений рака легкого, что может обеспечить техническую поддержку интеллектуальной диагностики.
Для обучения моделей использовался датасет LC25000, а для независимой валидации — LungHist700, с F1-score в качестве основной метрики оценки. Исследователи провели сравнительный анализ девяти классических сверточных нейронных сетей: DenseNet201, EfficientNetB7, EfficientNetV2S, InceptionResNetV2, MobileNetV3Large, NASNetLarge, ResNet50V2, VGG19 и Xception.
Все девять базовых моделей показали хорошую производительность на обучающей и внутренней тестовой выборках. Среди индивидуальных моделей лучшие результаты продемонстрировала EfficientNetB7 с F1-score 0.891 и AUC 0.749.
Исследователи протестировали три ансамблевые стратегии: Equal-Weighted Averaging (равновзвешенное усреднение), Performance-Weighted Averaging (взвешенное по производительности усреднение) и XGBoost. Однако ансамблевые методы достигли максимального F1-score лишь 0.889, не показав существенного преимущества перед лучшей индивидуальной моделью.
В противоположность этому, EfficientNetB7 с оптимизированными гиперпараметрами продемонстрировала значительное улучшение обобщающей способности:
- Точность (accuracy): 0.873
- Precision: 0.864
- Recall: 0.999
- F1-score: 0.926
- AUC: 0.871
Оптимизированная модель эффективно распознает патоморфологические изображения рака легкого и обеспечивает техническую поддержку для интеллектуальной диагностики. Авторы подчеркивают, что для будущего клинического внедрения необходима мультицентровая валидация на больших выборках.
Работа демонстрирует, что тщательная оптимизация гиперпараметров одной архитектуры может оказаться более эффективной стратегией, чем использование ансамблевых методов, особенно для задач патоморфологической классификации в онкологии.