基於高效能及輕量化深度學習模型之非小細胞肺癌亞型病理影像分類

論文名稱：基於高效能及輕量化深度學習模型之非小細胞肺癌亞型病理影像分類
臺北醫學大學醫學院人工智慧醫療碩士在職專班
研究生姓名： 宋志屏
指導教授：林于翔 臺北醫學大學

肺癌為全球新發生率及死亡率最高的癌症，其中非小細胞肺癌（Non-Small Cell Lung Cancer, NSCLC）為最常見的類型。透過病理亞型分類及基因突變分析進行個人化治療，已被證實能有效延長患者的整體存活期。NSCLC 可進一步細分為肺腺癌（Adenocarcinoma, ADC）、鱗狀細胞癌（Squamous Cell Carcinoma, SCC）與大細胞癌（Large Cell Carcinoma, LCC）等亞型，其中肺腺癌佔比最高，且常伴隨如EGFR等驅動基因突變，為標靶治療提供重要依據。隨著人工智慧技術的發展與病理影像數位化的趨勢，卷積神經網絡（Convolutional Neural Network, CNN）在肺癌診斷與分類的應用日益廣泛。然而，現有主流模型通常參數量龐大且運算資源需求高，限制其在邊緣運算裝置上的部署。
為應對此挑戰，本研究針對非小細胞肺癌（NSCLC）亞型分類任務設計了二分類模型（ADC對SCC），協助臨床醫師區分肺腺癌與鱗狀細胞癌，以提供臨床決策的關鍵依據。研究提出一種輕量化且高效能的深度學習模型TinyLungNet，結合MobileNet-V2架構並進行優化，並通過不同的壓縮策略（FP32、FP16、INT8）實現模型縮減。此外，為評估模型在不同運算資源環境中的適應性，我們設計了多種寬度調整比例（α=1、0.75、0.5、0.35），以分析模型壓縮後的效能變化。
實驗結果顯示，無論是在未經壓縮的H5格式還是經過壓縮的FP32、FP16及INT8版本中，TinyLungNet在多項分類任務中都展現出穩定且優異的分類性能，且多數情況優於原始的MobileNet-V2模型，證明其具有良好的耐壓縮性。更進一步，將模型的寬度比例縮小至α=0.35並採用INT8量化後，仍能維持分類準確率在0.998以上。此外，此研究成功將經過INT8量化的TinyLungNet部署於樹莓派（Raspberry Pi）邊緣運算裝置中，實測推理時間僅為15.28毫秒，若寬度調整至α=0.35，推理速度甚至提升至5.38毫秒，充分展示其於即時診斷與邊緣計算場景中的實用性。
除了二分類任務外，本研究亦將TinyLungNet應用於三分類（Normal、ADC、SCC）之測試，結果顯示，不論是在未經壓縮的H5格式還是經過FP32、FP16及INT8壓縮，模型在多項分類任務中依然展現出穩定且卓越的性能。也驗證了其在多分類應用中的廣泛適用性與可靠性。
整體而言，此研究所提出的TinyLungNet模型在不同壓縮層級及硬體環境下均能維持優異的分類表現，展現其在臨床診斷及邊緣設備部署上的巨大潛力與應用價值。
關鍵字: 輕量化深度學習模型、非小細胞肺癌、病理影像分類、亞型分類、寬度模型壓縮、邊緣運算