一种结合渐进式调整大小和主成分分析的混合学习网络用于宫颈癌症全切片图像（WSI）诊断

《Scientific Reports》：A hybrid learning network with progressive resizing and PCA for diagnosis of cervical cancer on WSI slides

为解决宫颈癌细胞分割复杂、WSI 分析面临挑战等问题，研究人员开展了基于混合学习网络的宫颈癌症诊断研究。结果显示，该模型在不同数据集分类中准确率高，对宫颈癌症诊断具有重要意义，能提升诊断效率和可靠性。

　　宫颈癌，这个隐匿在全球女性健康背后的 “杀手”，近年来愈发猖獗。据 2022 年 Globo can 数据，全球新增约 661,021 例宫颈癌患者，348,189 人因此失去生命。它是由人乳头瘤病毒（HPV）感染宫颈，致使异常细胞不受控制地增殖引发的。在低收入和中等收入国家，宫颈癌的发病率居高不下，给当地的医疗系统带来了沉重负担。早期诊断和治疗对降低宫颈癌死亡率、提高患者生活质量至关重要。

传统的宫颈癌诊断方法，像巴氏涂片检测和 HPV 检测，虽然有一定作用，但存在明显缺陷。巴氏涂片检测容易受到人为因素影响，准确性和精确性欠佳；HPV 检测虽能诊断感染情况，却无法预测病情是否会发展成恶性肿瘤。在此背景下，人工智能（AI）的发展为宫颈癌诊断带来了新希望。

为攻克这些难题，来自印度印多尔科技学院、德里技术与工程大学等多所机构的研究人员，开展了一项极具创新性的研究。他们提出了一种结合渐进式调整大小和主成分分析（PCA）的混合学习网络，用于宫颈癌症全切片图像（WSI）的诊断，相关成果发表在《Scientific Reports》上。

研究人员在此次研究中运用了多种关键技术方法。首先，选用公开的 SIPaKMeD 数据库和 Mendeley 的液基细胞学（LBC）数据集，为研究提供数据支持。对图像数据进行预处理，包括图像分割、调整大小和增强等操作。利用深度学习（DL）算法，如 ResNet-152 和 VGG-16 进行特征提取，并通过迁移学习和微调优化模型。采用 PCA 对提取的特征进行降维处理，减少数据维度的同时保留关键信息。最后，使用支持向量机（SVM）和随机森林（RF）作为分类器，通过多数投票法整合预测结果。

下面详细介绍研究结果：

• 实验设置：在配备英伟达 Tesla V100 图形处理器和 16GB GPU 内存的 Windows 10 机器上搭建研究环境，以 Python 3.7 为编程环境，运用 Scikit-learn、TensorFlow、Keras 等多种工具和库开展实验。
• 评估指标：采用精度、灵敏度、准确率、马修斯相关系数（MCC）和 F 分数等指标，全面评估分类器的性能。
• 结果：在 SIPaKMeD 数据集的 5 类分类中，该模型准确率达到 98.47%，精度为 98.72%，灵敏度为 98.97%，F 分数为 98.82%；在 2 类分类中，准确率为 99.29%，精度为 98.92%，灵敏度为 100%，F 分数为 99.46%。在 LBC 数据集的 4 类分类中，模型更是实现了 100% 的准确率。
• 性能比较：与其他相关研究对比，该模型在不同数据集分类任务中表现优异，进一步验证了其有效性和可靠性。
• McNemar 分析：通过 McNemar 检验，计算出该模型与基线 DL 算法的 p 值均小于 0.05，表明该模型在特征提取能力上显著优于基线算法。

研究结论和讨论部分，该混合学习网络在宫颈癌诊断方面展现出极高的准确率，为宫颈癌的早期诊断和筛查提供了有力支持。不过，研究也存在一定局限性，如预训练 DL 模型对医学图像特征的适应性问题，以及渐进式调整大小带来的计算需求挑战。未来，研究人员计划整合更先进的特征选择方法，探索渐进式集成技术，以提升模型效率、降低计算成本。这一研究成果为宫颈癌诊断开辟了新路径，有望在临床实践中得到广泛应用，提高宫颈癌的诊断水平，拯救更多女性的生命健康。