卷积神经网络结合荧光光谱在乳腺癌分型上的应用研究

乳腺癌是对女性健康威胁极大的肿瘤之一，其分子亚型与患者临床治疗用药等关系密切，准确判别乳腺癌的分子亚型对临床指导治疗和改善预后有着重要作用。本文提出一种基于一维卷积神经网络（1D-CNN）与荧光光谱技术相结合的端到端分析方法，分析过程中无需光谱预处理，流程简化且保留更多有效信息。自主设计搭建激光诱导荧光光谱系统，采集4类乳腺癌亚型组织的自体荧光光谱，通过高斯函数拟合光谱数据，对乳腺癌组织生化信息进行定量与定性分析。利用1D-CNN模型进一步挖掘光谱数据深层特征，实现对乳腺癌亚型的高精度识别。此外，采用梯度加权类激活映射（Grad-CAM）技术对模型关注的关键光谱区域进行可视化分析，增强了模型的可解释性。实验结果表明：乳腺癌亚型组织的分类准确率达98.7%，召回率为97.2%，精确率为98.1%，F1分数为97.7%。本研究所提出的方法展现出良好的临床应用前景，可为乳腺癌分子分型的智能诊断提供有效的技术路径。