Классификация доброкачественных и злокачественных подтипов рака молочной железы по гистопатологическим изображениям с использованием гибридного подхода CNN-LSTM на основе трансферного обучения

Введение: Градация гистопатологических препаратов при раке требует участия большего числа патологоанатомов и врачей-экспертов, а также занимает много времени при ручном анализе полноформатных изображений. Поэтому автоматическая классификация гистопатологических подтипов рака молочной железы полезна для клинической диагностики и оценки терапевтического ответа. Современные методы глубокого обучения для анализа медицинских изображений указывают на целесообразность автоматизированной классификации радиологических изображений для сопоставления характеристик заболевания или диагноза с стратификацией пациентов.

Методы: Для классификации четырех доброкачественных и четырех злокачественных подтипов рака молочной железы разработана гибридная модель на основе сверточной нейронной сети (CNN) и рекуррентной нейронной сети с долгой краткосрочной памятью (LSTM RNN). Предложенная модель CNN-LSTM, использующая ImageNet, применяет подход трансферного обучения для классификации и прогнозирования четырех подтипов в каждой группе. Модель оценивали на наборе данных BreakHis, включающем 2480 изображений доброкачественных и 5429 изображений злокачественных опухолей, полученных при увеличении 40×, 100×, 200× и 400×.

Результаты: Предложенную гибридную модель CNN-LSTM сравнивали с существующими моделями CNN, используемыми для классификации гистопатологических изображений рака молочной железы, такими как VGG-16, ResNet50 и Inception. Все модели строили с использованием трех оптимизаторов — Adam, RMSProp и стохастического градиентного спуска (SGD) — при разном числе эпох. По результатам оптимизатор Adam показал наилучшие результаты с максимальной точностью и минимальной потерей модели как на обучающей, так и на валидационной выборках. Предложенная гибридная модель CNN-LSTM продемонстрировала наивысшую общую точность 99% для бинарной классификации доброкачественного и злокачественного рака и 92,5% для многоклассовой классификации подтипов доброкачественного и злокачественного рака соответственно.

Выводы: В целом предложенный подход трансферного обучения превзошел современные модели машинного и глубокого обучения в классификации подтипов доброкачественного и злокачественного рака. Предложенный метод пригоден и для классификации других видов рака, а также заболеваний.