基于LASSO正则化Hermite多项式分类器的H&E组织图像分类研究：分形特征、深度特征与XAI表征的对比分析

这篇研究创新性地将Hermite多项式(HP)分类器与LASSO正则化相结合，系统评估了分形维度/渗透率等传统特征、ResNet-50/EfficientNet-B2等深度特征，以及Grad-CAM/LIME等可解释人工智能(XAI)表征在H&E染色组织病理图像分类中的性能。研究通过10折交叉验证证明，LASSO正则化的深度特征组合HP分类器达到99%准确率，为癌症病理诊断(CAD)系统提供了新的技术路径。

　　

Highlight

本研究通过LASSO正则化Hermite多项式(HP)分类器，首次系统对比了分形特征、深度特征和可解释人工智能(XAI)表征在H&E组织病理图像分类中的性能差异。实验证明，基于ResNet-50提取的深度特征经LASSO筛选后，结合HP分类器可实现99%的准确率，显著优于传统分形描述符。该研究为癌症病理诊断提供了新的特征工程思路和算法组合方案。

Introduction

组织病理学涉及细胞异常增殖行为的分析，如增生、化生到最终癌变的过程。据美国癌症协会(ACS)预测，2025年全球将新增200万癌症病例。H&E染色作为金标准，能清晰显示细胞核(蓝色)和胞质(粉色)结构，但其图像分析面临染色差异、组织伪影等挑战。本研究创新性地将分形几何、深度卷积网络(CNN)和可解释AI技术(Grad-CAM/LIME)生成的特征映射，与新型HP分类器结合，旨在突破传统CAD系统的性能瓶颈。

Materials and methods

实验采用Python开发HP分类器核心算法，在配备NVIDIA GTX 1650的工作站上完成测试。通过10折交叉验证评估三类特征：

1. 分形特征：包括维度、空隙率和渗透率

2. 深度特征：从ResNet-50和EfficientNet-B2的卷积层提取

3. XAI特征：对Grad-CAM热图和LIME解释图进行分形描述符计算

   所有特征经LASSO正则化筛选后输入HP分类器，并与支持向量机(SVM)等传统算法对比。

Results and discussion

关键发现：

• ResNet-50深度特征+HP分类器组合达到最高ACC(99%)和IAM(0.99)

• 分形特征在肝细胞癌(HCC)分类中表现突出(ACC 94.2%)

• Grad-CAM热图的分形分析可提升模型可解释性

• LASSO能有效将特征维度从2048压缩至25个关键特征

Conclusion

该研究证实了HP分类器在组织病理图像分析中的优越性，特别是与深度特征结合时。未来工作将探索三维分形描述符和多模态特征融合策略，以进一步提升癌症早期诊断的精准度。