基于集成模型的绵羊肺腺癌（OPA）的组织病理学诊断

《BMC Veterinary Research》：Histopathological diagnosis of Ovine Pulmonary Adenocarcinoma (OPA) based on ensemble model

本研究构建了69592张绵羊肺腺癌（OPA）病理图像数据库，采用Res2Net101与EfficientNet的集成模型（特征/输出层融合），实现96.5%准确率，超越初级病理医生（差异2.3%-5%），辅助快速诊断可疑病灶，提升病理诊断效率。

　　

摘要

背景

羊肺腺癌（OPA）是一种由Jaagsiekte羊逆转录病毒引起的传染性肺部肿瘤。组织学检查是OPA诊断的基石，为诊断提供了最终的形态学依据。然而，传统病理学方法面临一些挑战，如复杂的图像解读和依赖主观判断。集成学习模型越来越多地应用于医学图像分类。在这项研究中，我们构建了一个包含69,592张图像的数据集（OPA：33,609张；非OPA：35,983张），并采用分阶段的数据集划分策略进行组织。在评估了DenseNet、EfficientNet、Res2Net101和ResNet152之后，Res2Net101被选为表现最好的基础模型，并采用了两种集成学习策略：输出层融合（Efficient-Res2Net-L）和特征融合（Efficient-Res2Net）。模型性能通过准确率、精确度、召回率和F1分数进行评估。为了防止模型“窥视”训练数据（即提前了解训练数据内容），我们使用了数据集中未包含的5张全切片图像（3张OPA，2张非OPA）进行验证。此外，我们还使用了600个额外的图像块来比较模型与病理学家的诊断结果。

结果

在测试集上，Res2Net101取得了最高的准确率（94.3%），而EfficientNet在防止“窥视”验证中的错误判断最少（11次）。在与病理学家的比较中，EfficientNet的表现也优于其他模型（准确率：95.0%，特异性：91.3%，敏感性：98.7%）。输出层融合模型Efficient-Res2Net-L的表现略优于特征融合模型：其准确率（96.5%）、特异性（93.7%）和敏感性（99.3%）都有所提高，超过了初级病理学家的水平，并且与高级病理学家的差距分别缩小到了2.3%和5%。

结论

集成模型Efficient-Res2Ne表现出高准确率和鲁棒性。通过对组织切片图像的快速初步诊断，可以识别出可疑病变区域，帮助病理学家高效完成最终的病理学诊断。这是提高诊断工作流程效率的宝贵工具。