编辑推荐：
前列腺癌作为男性高发实体瘤及主要致死癌症之一，为实现精准诊断，研究人员采用 ResNet50 卷积神经网络（CNN）分析前列腺组织学图像以分类良恶性。基于 1276 例活检图像，模型整体准确率达 0.98，性能优于 MobileNet 等，为临床决策提供新依据。
前列腺癌是男性中最常见的实体肿瘤之一，也是男性死亡的主要原因之一。作为全球重大公共卫生问题，其占全球男性癌症诊断的 7.3%1。为优化患者预后并确保治疗成功，及时准确的诊断至关重要。本研究聚焦于利用卷积神经网络（CNN）架构 ResNet50 分析前列腺组织学图像，以实现前列腺癌的分类。鉴于 ResNet50 在医学图像分类中的高效性，其被用于将组织学图像分为良性或恶性。研究共纳入 1276 张前列腺活检图像用于 ResNet50 模型分析，并采用准确率、精确率、召回率和 F1 分数等评估指标。结果显示，ResNet50 模型表现优异，良性组织学图像的整体准确率为 0.98，精确率为 1.00，召回率为 0.98，F1 分数为 0.97；恶性组织学图像的精确率、召回率和 F1 分数分别为 0.99、0.98 和 0.97。此外，准确率的 95% 置信区间（CI）为（0.91，1.00），与 MobileNet 和 CNN-RNN 相比性能提升 4.26%。研究还将模型结果与最先进（SOTA）的深度学习（DL）模型进行比较以确保稳健性。本研究证明了 ResNet50 模型在前列腺癌分类中的潜力，其临床应用将有助于决策者改善患者预后。
