基于深度学习的乳腺癌预测*

袁梦绚

（南京医科大学附属妇产医院 南京 210004）

1 引言

用深度学习的方法提高健康医疗行业的效率，一直是社会关注的焦点，也是近些年来各大公司争相进入的热点之一。医疗行业拥有天然的大数据，为深度学习在医疗行业的应用提供了非常广泛的空间［1］。

目前深度学习方法可以自主学习图像中不同深度的特征，取得了比用传统方法提取特征更好的效果［2］。基于深度学习的方法与经验，本文探索了使用前馈神经网络，通过分析乳房块FNA的数字化图像，抽取反映细胞核的特征数据，预测乳腺癌是良性还是恶性。

本文使用深度学习方法对乳腺癌的良恶性预测取得了较好的结果，这种通过无创伤方式进行乳腺癌的预测具有潜在的价值［3］。

2 数据集

本文从569张FNA数字化图像中，计算出反应细胞核每个特征的平均值、标准误差、最大值，从而产生30个特征。所有特征的特征值使用4位有效数字重新编码，分为恶性肿瘤和良性肿瘤两类，包括357例良性，212例恶性。

2.1 数据集中数据的分布

图1 显示了数据集中恶性和良性特征的区域分布。恶性诊断是均匀分布的，而良性诊断具有正态分布。当其值超过750时，更容易做出恶性诊断。

图1 数据集中恶性与良性特征的区域分布图

2.2 数据集的处理

本文将357例良性，212例恶性作为划分数据集的原本。通过数据变形划分训练集和测试集。其中训练集共456例，包括良性286例，恶性170例。测试集共113例，包括良性71例，恶性42例。

3 预测方法与模型

3.1 预测方法

3.1.1 深度学习框架的选择

本文使用TensorFlow框架，TensorFlow是一个采用数据流图，用于数值计算的开源软件库［4］。图2就是TensorFlow数据流图，结点在图中表示数学操作，线表示节点间相互联系的多维数据数组，也就是张量［5］。

图2 TensorFlow数据流图

TensorFlow是Google在总结了前身DistBelief的经验教训上形成的，它不仅便携、高效、可扩展，还能在不同的计算机上运行［6］。

3.1.2 前馈神经网络

前馈神经网络是最简单朴素的神经网络，又称多层向前神经网络［7］。如图3所示是一个典型的前馈神经网络模型。在前馈神经网络中，各神经元从输入层开始，接收前一级输入，并输出到下一级，直到输出层。中间两层称为隐藏层，看不见其输入或输出的数据［8］。整个网络中无反馈。

图3 典型的前馈神经网络模型

3.2 模型设计

本文构建了1个输入层、4个隐藏层、1个输出层的前馈神经网络。

3.2.1 初始化

初始化对训练有重大影响［9］。初始化能决定算法是否收敛，如果初始化不合适，初始值过大可能会在前向传播时产生爆炸的值；初始值过小将导致丢失信息。

本文使用截断的正态分布进行初始化［10］，均值μ设为0.0，标准差σ设为0.15。如果产生的正态分布的值与均值的差值大于0.3（两倍标准差），即产生的值在区间（μ-2σ，μ+2σ）之外那就重新生成。

3.2.2 批量化

深度学习的数据量大，高维也是其重要特征，这就说明了在训练过程中不适合使用全量的方法，本文使用小批量梯度下降法进行批量化处理，每次训练用训练集的一部分，既能使用向量化、矩阵化优化算法，又能比较快速地找到最小值［11］。其更新参数更快，有利于收敛，避免了局部最优。小批量值k一般取值10～500之间。

假设每次取出样本数为k，初始化参数向量w f(xi，w)为输入xi时所预测的输出，Loss是每个样本的损失函数，yi是输入xi的期望输出，则小批量梯度下降法计算公式为

小批量梯度下降法的算法具体如下。

3.2.3 激活函数的选择

激活函数的主要作用是给神经网络提供非线性建模的能力，如果没有激活函数，神经网络再复杂也只能处理线性可分的问题［12］。

本文的隐藏层使用ReLU作为激活函数［13］：

ReLU的函数图像如图4所示。从图中可以看出，在这个函数原点左侧斜率为0，原点右侧斜率为1，这是一个非线性的函数。当网络层数比较多，ReLU不会发生梯度消失或爆炸的情况。

图4 ReLU的函数图像

本文的输出层使用Sigmoid作为激活函数［14］：

Sigmoid的函数图像如图5所示。对乳腺癌预测为良性还是恶性，实际上是一个二分类问题，Sig⁃moid广泛应用于二分类的输出层，其可以将输出映射到（0，1）区间内，函数单调连续，求导非常容易。

图5 Sigmoid函数图像

3.2.4 损失函数的选择

在深度学习训练模型的过程中，其实就是一个优化损失函数的过程。损失函数用来衡量模型的好坏，损失函数值越小说明模型和参数越符合训练样本［15］。

本文使用交叉熵作为损失函数［16］，假设有n个训练数据，a是预测的输出，y是期望输出，则交叉熵损失函数为

3.2.5 优化

传统梯度下降算法对学习率这个超参数极其敏感，本文使用Adam自适应优化算法，动态调整学习率，可以根据不同情况来自动调整［17］。

Adam利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，在经过偏置矫正后，每一次迭代学习都有一个确定的范围，使得参数比较平稳。以下给出了Adam的算法。

4 预测结果

本文方法也可以用于其他癌症的预测，随着国内外相关数据集不断丰富和公开，模型训练的样本会不断增加，可以使用不同方法针对数据集，来提高预测准确率。本文的数据集可以继续扩展，基于本文的方法，可以更好地泛化模型［18］。

我们对模型进行5次迭代进行训练预测模型最终训练精度为96.27%，测试精度为99.92%。5次迭代结果如表1所示。

表1 迭代轮数与训练精度和测试精度

表2 迭代轮数与训练损失和测试损失

迭代次数与损失值和精度的对应关系如图6所示。可见，随着训练次数的不断增加，模型精度越来越高，损失值越来越小。5次迭代为更大规模的迭代提供了非常好的范本，使用本文的方法可以得到比较理想的结果。

图6 训练次数和精度、损失值的关系

5 结语

乳腺癌早期的诊断对于患者后续治疗具有重要意义，本文从乳房块细针抽吸（FNA）数字化图像分析数据，提取出30个特征。使用深度学习Ten⁃sorFlow框架，搭建前馈神经网络得到了一系列结果。结果表明，本模型对乳腺癌良性恶性分类具有较好的效果，对医疗行业的乳腺癌预测方面具有潜在的应用价值。