基于生成对抗网络增强拉曼光谱数据的数量与分布对卷积神经网络乳腺癌诊断性能的评估

《Journal of Spectroscopy》：Assessment of the Number and Distribution of Augmented Data Using GANs in Raman-Based Breast Cancer Diagnosis by CNNs

　　

拉曼光谱（Raman spectroscopy, RS）结合深度学习为乳腺癌组织诊断提供了一种无创途径，但临床拉曼数据集规模较小可能限制分类器的性能。本研究探讨了由生成对抗网络（generative adversarial network, GAN）生成的合成光谱的数量与类别分布如何影响基于一维卷积神经网络（one-dimensional convolutional neural network, 1D-CNN）的乳腺组织分类。数据集包含49条来自福尔马林固定乳腺组织样本的真实拉曼光谱，其中17条为癌变、14条为正常、18条为良性。研究针对每个组织类别分别训练一维GAN以生成合成光谱。研究评估了两种数据增强策略：类别平衡策略，即每个类别扩充至相同数量的光谱；以及类别不平衡策略，即在保持原始类别比例的前提下扩大数据集。分类器性能通过留一光谱交叉验证（leave-one-spectrum-out cross-validation）进行评估，结果在至少10次独立运行中取平均值。在保守评估中，合成光谱仅添加至训练折，而49条真实光谱逐一被留出用于测试。在该设置下，与仅使用原始光谱训练相比，基于GAN的增强显著改善了良性类别的分类性能，并提高了总体准确率。研究结果表明，基于GAN的数据增强能够改善基于RS的乳腺癌分类，尽管性能提升会随着合成数据量的增加而趋于饱和。研究还讨论了与数据集规模、福尔马林固定以及缺乏样本级分组相关的局限性。

研究背景与问题

乳腺癌是全球主要的健康威胁之一，也是女性癌症相关死亡的主要原因之一，因此早期准确诊断对有效治疗至关重要。常规临床实践中，医生通常结合乳腺X线摄影和超声等影像手段与活检组织的组织病理学检查。然而，这些方法依赖主观判读、处理时间较长，且在早期或诊断不明确的病灶中敏感性较低。拉曼光谱作为一种无标记、无创的分子振动探测技术，能够反映与恶性病变相关的生化变化，因而受到广泛关注。拉曼光谱包含丰富的生化信息，但具有高维度和复杂的信号结构，深度学习特别是卷积神经网络已被广泛应用于光谱分类任务。然而，数据稀缺是核心限制因素：大规模、类别平衡且具有临床标注的拉曼数据集采集成本高、耗时长，小数据集则限制深度模型训练、增加过拟合风险，并可能使分类器偏向多数类。

数据增强是应对数据稀缺的可行途径。生成对抗网络已被越来越多地用于合成额外光谱，但很少有研究系统考察GAN生成光谱的数量及其类别分布对分类性能的影响，尤其是类别平衡是否比单纯增加合成光谱总量更能提升分类器性能。本研究针对这一空白，使用乳腺组织拉曼数据集开展系统评估。

研究内容与结论

研究人员使用包含癌变、正常和良性三个类别的乳腺组织拉曼数据集，采用一维GAN为每个类别分别生成合成光谱，并通过留一光谱交叉验证评估合成光谱数量与类别分布对一维卷积神经网络分类性能的影响。研究比较了类别平衡与类别不平衡两种增强场景。结果表明，两种场景下分类准确率均随合成光谱数量增加而提升，但增益趋于饱和。良性类别改善最为显著，其敏感性从原始数据下的约27.8%提升至类别平衡场景的95.0%和类别不平衡场景的94.4%；总体准确率从约65.4%分别提升至91.7%和89.8%。癌变类别始终保持高且稳定的分类准确率，正常类别呈中等程度改善。类别平衡场景产生了更均匀的跨类别增益，但该场景评估的是真实与合成光谱混合的数据集，部分测试折包含合成光谱；类别不平衡场景仅将合成光谱用于训练，逐一留出49条真实光谱进行测试，因此被视为更保守且更具临床相关性的主要性能指标。

关键技术方法

研究采用的主要技术方法包括：一维生成对抗网络，针对每个组织类别分别训练生成器与判别器，生成器将100维标准正态分布潜向量映射为合成拉曼光谱；一维卷积神经网络分类器，包含三个卷积块（32、64、128个滤波器，核大小3），后接最大池化与批归一化，最终经全连接层输出三分类softmax；留一光谱交叉验证，每个光谱逐一作为测试样本；类别平衡与类别不平衡两种增强策略；Savitzky–Golay滤波用于减少合成光谱的高频伪影；弹性网络正则化与dropout用于防止过拟合。数据集来自Fallahzadeh等人报道的福尔马林固定乳腺组织样本，共49条真实光谱，其中17条癌变、14条正常、18条良性，使用Bruker Senterra色散型显微拉曼光谱仪在500–3200 cm^?1范围、785 nm激发波长下采集。

研究结果

类别平衡场景：每个类别扩充至相同光谱数量并逐步增加。分类准确率随每类合成光谱数量增加而总体上升，良性类别改善最大，癌变类别保持高且稳定。最高总体准确率约为91.7%，60条光谱中55条正确分类，训练集每类20条光谱。混淆矩阵显示癌变20条中正确分类18条、正常20条中正确分类18条、良性20条中正确分类19条。敏感性分别为癌变90.0%、正常90.0%、良性95.0%，特异性分别为97.5%、97.5%、92.5%。

类别不平衡场景：增强在保持原始17:14:18类别比例的前提下扩大数据集，合成光谱仅用于训练。总体准确率随合成数据量增加而上升，良性类别改善最明显，癌变类别最稳定。最高总体准确率约为89.8%，49条真实光谱中44条正确分类，癌变17条中正确分类15条、正常14条中正确分类12条、良性18条中正确分类17条。敏感性分别为癌变88.2%、正常85.7%、良性94.4%，特异性分别为96.9%、94.3%、93.5%。该场景被视为研究的主要性能指标。

讨论与结论

讨论部分指出，GAN增强可改善拉曼光谱乳腺组织分类，但性能增益随合成数据量增加而饱和。良性类别因光谱变异性较大且与其他类别重叠较强，初始准确率最低，增强后获益最大；癌变类别因具有更独特的生化特征而保持稳定。类别平衡场景产生更均匀的增益，但其评估基于混合数据集；类别不平衡场景提供更保守的泛化估计。研究存在两个方法论问题：交叉验证在光谱层面而非样本层面进行，且缺乏患者级标识，无法实施样本或患者分组验证，可能导致准确率偏高；每个GAN仅使用该类全部真实光谱训练一次，合成训练光谱不能视为与留出光谱完全独立。研究未将判别性拉曼谱带归属到具体类别，因光谱与来源样本映射不完整。临床角度上，RS结合深度学习可支持快速乳腺癌筛查，GAN增强有助于缓解样本稀缺的影响。结论部分指出，合成光谱的数量与分布均影响分类性能，良性类别获益最大，癌变类别保持稳定，增强策略应考虑类别平衡而非仅增加合成光谱总量，未来研究应在更大数据集上结合样本级验证。