《Scientific Reports》：Optimized CNN framework with VGG19, EfficientNet, and Bayesian optimization for early colon cancer detection
编辑推荐：
本研究针对结肠癌早期诊断中组织病理学图像分类的准确性和泛化性挑战，提出一种结合VGG19和EfficientNetB3的深度学习框架，并采用贝叶斯优化进行超参数调优。研究在包含9种组织类型的结肠癌数据集上实现了96.84%的准确率、97.02%的精确度、96.50%的召回率和0.97的AUC值，显著优于传统CNN和ResNet模型。该框架通过数据增强和染色归一化技术提升了模型鲁棒性，为计算机辅助诊断（CAD）系统提供了可靠工具，有望辅助病理学家提高结肠癌诊断效率。
结肠癌作为全球发病率第三、死亡率第二的恶性肿瘤，早期诊断对患者生存率至关重要。研究发现，早期局部结肠癌的五年生存率超过90%，而转移期则低于15%。然而，传统诊断方法如结肠镜检查、粪便潜血试验和组织病理学分析存在主观性强、耗时久且依赖人工判读等问题。近年来，深度学习技术在医学影像分析领域展现出强大潜力，特别是卷积神经网络（CNN）在组织病理学图像分类中表现突出。但由于组织形态学的高度异质性和类间相似性，现有模型在结肠癌多分类任务中仍面临准确率不足和泛化能力有限等挑战。
为提升结肠癌组织病理学图像的自动分类性能，研究人员开发了一种融合VGG19和EfficientNetB3的优化CNN框架，并引入贝叶斯优化（BO）进行超参数调优。该研究使用来自Kaggle和Kaggle Cancer Data Portal（KCDP）的公开数据集，包含正常组织（Normal）、肿瘤（Tumor）、间质（Stroma）、淋巴细胞（Lympho）、复杂组织（Complex）、碎片（Debris）、黏膜（Mucosa）、脂肪（Adipose）和背景（Background）9种组织类型。通过五折分层交叉验证和外部数据集验证，系统评估了模型性能。
研究采用的关键技术方法包括：基于ImageNet预训练的VGG19和EfficientNetB3骨干网络进行特征提取；贝叶斯优化算法调整学习率、批大小、丢弃率等超参数；H&E染色归一化和随机翻转、旋转等数据增强技术；以及使用宏观F1分数和AUC作为模型评估指标。
模型架构设计
研究设计了端到端的深度学习流程，输入图像经预处理后分别输入VGG19和EfficientNetB3网络。VGG19采用均匀的3×3卷积核堆叠结构，EfficientNetB3使用复合缩放策略平衡网络深度、宽度和分辨率。两种网络均替换分类头，包含全局平均池化、全连接层和Softmax输出层。贝叶斯优化通过高斯过程代理模型和期望提升（EI）采集函数，自动搜索最优超参数配置。
性能比较分析
在九分类任务中，贝叶斯优化的EfficientNetB3模型达到最佳性能（准确率97.1%，宏观F1分数97.0%，AUC 0.975），显著优于传统CNN（87.2%）和ResNet-50（95.2%）。VGG19+BO模型也获得94.8%的准确率和0.96的AUC。混淆矩阵显示模型对肿瘤和正常组织分类准确率高，仅在形态相似的间质和复杂组织间存在少量误分类。
外部验证结果
在独立LC25000数据集上的外部验证中，模型保持92.8%的准确率和0.95的AUC，表明良好泛化能力。交叉实验室验证（Kaggle与KCDP间互相测试）准确率均超过93.5%，证明模型对机构间差异的鲁棒性。
消融实验
对比不同超参数搜索策略发现，贝叶斯优化比随机搜索和网格搜索分别提升准确率1.5-1.9个百分点和2.0-2.3个宏观F1分数。贝叶斯优化能有效平衡模型复杂度与性能，避免过拟合。
可视化分析
Grad-CAM热图显示模型关注区域与病理学特征高度一致，如肿瘤区域聚焦于细胞密度异常和腺体结构破坏处。这表明模型学习到了具有病理意义的形态学特征。
研究结论表明，结合贝叶斯优化的混合框架能显著提升结肠癌组织病理学图像分类的准确性和鲁棒性。EfficientNetB3+BO模型在多项指标上达到最优，且计算效率较高（参数量13.2M，FLOPs 3.45G）。该研究为结肠癌早期诊断提供了可靠的计算机辅助诊断工具，未来可通过多中心验证和全切片图像分析进一步推进临床应用。
