基于模糊集成CNN框架的卵巢癌组织微阵列图像分类新方法研究

本研究针对卵巢癌TMA（组织微阵列）图像人工分析效率低、诊断延迟等问题，开发了多阶段深度学习框架。通过构建12,710张TMA图像数据集，结合定制EOC-Net模型与迁移学习模型（DenseNet121等），创新性提出基于Gamma函数的模糊排序集成方法，最终实现88.73%的分类准确率，较单模型提升1.68%-12.48%，为卵巢癌精准诊断提供自动化解决方案。

　　

卵巢癌被称为"沉默的杀手"，全球每年导致超20万女性死亡，70%患者确诊时已进展至晚期。传统诊断依赖病理学家手动分析组织微阵列(TMA)图像，但存在耗时长、主观性强等瓶颈。尤其WHO 2014年提出的五分类系统（CC、EC、HGSC、LGSC、MC）中，高分级浆液性癌(HGSC^*)占比达70%，却难以通过常规影像学区分。尽管人工智能在超声、MRI等影像分析中取得进展，但针对TMA这种高效低成本技术的研究仍属空白。

越南国家大学胡志明市分校的研究团队在《Image and Vision Computing》发表论文，首次构建包含12,710张TMA图像的五分类数据集，提出两阶段深度学习方案。第一阶段训练EOC-Net（参数仅1.7M）及四种迁移学习模型（DenseNet121等），第二阶段创新性设计基于Gamma函数的模糊排序集成模型。关键技术包括：从TissueArray.Com等平台获取11,743张原始图像并通过专家标注扩充；采用Gamma校正和自适应直方图均衡化预处理；构建轻量化EOC-Net采用深度可分离卷积；利用Gamma函数动态加权五个基模型的预测置信度。

数据采集
整合来自4个公开数据库和合作医院的TMA图像，经病理专家标注形成平衡数据集，五类别样本量相当。

方法概述
EOC-Net采用3组深度可分离卷积模块，参数量仅为ResNet50-v2的1/90。集成阶段通过Gamma函数计算模型权重，公式γ(x)=x^k-1e^-x/Γ(k)实现非线性融合。

实验结果
单模型测试准确率76.25%-87.05%，EOC-Net以最少参数夺冠。集成模型达88.73%准确率，显著优于所有基模型。消融实验显示数据增强使性能提升4.71%-8.84%。

讨论
该研究突破TMA图像自动分类的技术空白：1）验证轻量化定制模型在医学图像的潜力；2）首创的模糊排序集成策略解决模型分歧问题；3）公开最大卵巢癌TMA数据集促进后续研究。临床价值在于将病理分析时间从小时级缩短至分钟级，尤其助力医疗资源匮乏地区的诊断。局限在于未纳入临床参数联合分析，未来可探索多模态融合方案。

*注：HGSC全称为High-Grade Serous Carcinoma