刘琳琳，叶 强，何灵敏

中国计量大学 信息工程学院，杭州310018

乳腺癌是全世界妇女中最常见和最致命的癌症之一[1]。虽然乳腺癌患者的预后情况总体较好，5年平均生存率为90%，10年平均生存率为83%，但当乳腺癌转移时，预后会明显恶化[2]。淋巴结转移是影响乳腺癌患者预后的关键因素之一。临床上前哨淋巴结病理切片的检查结果作为最准确可靠的“金标准”[3-4]，在临床和科研上有着重要的作用。

但前哨淋巴结组织内往往存在较小的微转移[5]，甚至是小到单个癌细胞的转移，诊断工作量较大。对于前哨淋巴结，必须检查至少3个不同水平的淋巴结切片[6-7]。因此传统病理医生诊断过程是冗长费时的，且极易错过较小的微转移病灶。许多学者研究了传统机器学习算法在全视野数字化切片（Whole Slide Image，WSI）[8]中的应用[9-11]，但传统的机器学习算法多应用于小型数据集，且通常采用人工特征提取的方法，难以提取出有区分性的、高质量的特征。

近年来深度学习广泛用于病理学图像的研究中[12-13]，目前已有使用卷积神经网络（Convolutional Neural Network，CNN）对乳腺癌病理图像进行的相关研究[14-15]。Spanhol等人[16]基于AlexNet卷积网络，对BreaKHis数据集进行分类，准确率比传统机器学习算法高出6%。Bayramoglu等人[17]采用基于放大倍数独立的卷积网络对BreaKHis数据集进行分类，其准确率约83%。Deniz等人[18]通过微调预训练好的AlexNet网络，对乳腺癌的组织病理学图片进行分类，结果证明迁移学习比支持向量机[19]的识别效果更好。Litjens等人[20]证明使用卷积神经网络检测淋巴结中的癌症转移是可行的。……