基于Matlab的使用深度学习预测乳腺癌仿真系统 在检测到癌症后将其分为三类——正常、恶性、良性。

最近在医疗AI领域折腾了个有意思的项目——用Matlab搭建乳腺癌预测系统。这个系统不仅要识别乳腺肿块是否存在，还要把检测到的肿瘤分为正常、恶性、良性三类。今天带大家看看如何用深度学习在Matlab里实现这个需求，过程中踩过的坑和实战经验一并奉上。

一、数据预处理是重头戏

拿到威斯康星乳腺癌数据集的时候，发现原始数据是.mat格式的超声图像和标注信息。Matlab处理这种格式简直不要太顺手：

data = load('breast_cancer_dataset.mat');
imgData = data.images;
labels = categorical(data.labels); % 转换为分类变量

% 处理缺失值
missingIdx = isnan(labels);
imgData = imgData(:,:,:,~missingIdx);
labels = labels(~missingIdx);

% 调整图像尺寸为224x224适配预训练模型
resizedImgs = imresize(imgData,[224 224]);

% 数据标准化
normalizedImgs = rescaledImgs ./ 255;

% 划分训练集、验证集、测试集（6:2:2）
[trainImgs,valImgs,testImgs] = splitData(normalizedImgs,0.6,0.2);

这里有个小技巧：用imresize时选择双三次插值比默认的双线性插值能保留更多纹理细节。处理完的数据记得做标准化，不然训练时梯度可能会爆炸。

二、模型架构的选择

直接上预训练的ResNet50作为基础网络，但得改输出层适应三分类需求：

net = resnet50;
lgraph = layerGraph(net);

% 替换最后三层
newFCLayer = fullyConnectedLayer(3, 'Name','new_fc');
newSoftmax = softmaxLayer('Name','new_softmax');
newClassLayer = classificationLayer('Name','new_classoutput');

lgraph = replaceLayer(lgraph,'fc1000',newFCLayer);
lgraph = replaceLayer(lgraph,'fc1000_softmax',newSoftmax);
lgraph = replaceLayer(lgraph,'ClassificationLayer_fc1000',newClassLayer);

% 冻结前20层参数
for i = 1:20
    lgraph.Layers(i).WeightLearnRateFactor = 0;
end

这里有个坑：ResNet原本的输入是RGB三通道，但医学图像很多是灰度的。处理方案是在数据加载阶段用repmat把单通道复制成三通道，或者在第一个卷积层前加个自定义的灰度转RGB层。

三、训练配置的玄学

基于Matlab的使用深度学习预测乳腺癌仿真系统 在检测到癌症后将其分为三类——正常、恶性、良性。

设置训练参数时发现学习率不能照搬ImageNet的设置：

options = trainingOptions('sgdm',...
    'InitialLearnRate',0.0005,...  % 比常规小一个量级
    'LearnRateSchedule','piecewise',...
    'LearnRateDropPeriod',5,...    % 每5轮降一次学习率
    'ValidationFrequency',30,...
    'MaxEpochs',20,...
    'Shuffle','every-epoch',...
    'Verbose',true,...
    'ExecutionEnvironment','multi-gpu'); % 多卡加速

重点说下ValidationFrequency的设置：当数据集较小时（比如医疗数据），验证太频繁会导致验证误差波动剧烈。经验值是每30次迭代验证一次，相当于每个epoch验证两次左右。

四、模型评估的隐藏技巧

测试阶段不仅要看准确率，还要注意类别不平衡问题：

[YPred,probs] = classify(trainedNet,testImgs);
confMat = confusionmat(testLabels,YPred);

% 计算各指标
precision = diag(confMat)./sum(confMat,2);
recall = diag(confMat)./sum(confMat,1)';
f1 = 2*(precision.*recall)./(precision+recall);

这里有个骚操作：用confusionmat生成的矩阵不仅算指标，还能定位错分样本。比如发现良性样本常被误判为恶性，可能是特征提取时过度关注钙化点，这时候需要回炉检查数据标注质量。

五、可视化带来的意外发现

最后用grad-CAM做特征可视化时，发现模型关注的区域有时会跑偏到图像边缘：

% 提取感兴趣层的激活图
convLayer = 'activation_49_relu';
[~,gradients] = dlfeval(@gradCAM,trainedNet,testImg,convLayer);

% 生成热力图
heatmap = sum(gradients.*activations,3);
heatmap = normalize(heatmap);
imshow(imtile({testImg,heatmap}));

这种情况往往说明数据存在标注偏差——有些样本的标注区域不准确。解决办法是结合放射科医生的标注建议，对可疑样本进行二次确认。

整个项目跑下来最大的感悟：医疗AI模型的落地，30%靠算法，70%靠数据质量和领域知识。在后续优化中，我们增加了动态学习率调整策略，在验证loss出现平台期时自动切换优化器（从SGD切到Adam），准确率提升了2.3个百分点。不过要真正用于临床，还需要解决模型可解释性和小样本学习的问题，这又是另一个故事了。