肝癌是一种发病率和死亡率都很高的恶性肿瘤,对人类的健康和生命有极大的危害,因此,快速准确识别并分类肝部病变组织切片,对于癌症患者至关重要。对于肝癌的定性诊断,临床已应用多种检查方法,如甲胎蛋白的检查、病理切片、非损伤性超声、CT、MRI检查、血液酶学检查等,为肝癌的诊断提供更多方位的辅助诊断依据,具体的检查需要根据实际情况进行选择。针对肝部组织切片,传统分类方法都是通过提取图像特征来进行识别和预测,由于图像特征不明显,且需要人工提取,受外在因素影响太大,分类方法不稳定。因此,用传统的方法分类病理切片费时耗力且识别率较低。为此,利用基于深度学习的卷积神经网络方法来识别分类。卷积神经网络容错能力较好,可以自我进行学习以及并行处理问题。本文针对病理切片检测做出探究,对数据集建立卷积神经网络模型来进行训练和识别,通过微调模型来达到更高的识别率,主要工作有以下三个方面:一是对Inception V3模型进行改进,将其全连接层去掉,依次添加flatten层、dense层、Targeted Dropout层和dense层,将样本图像作为输入数据,通过卷积神经网络训练验证即可得到实验结果,省去繁琐的特征提取环节,实验结果显示识别率大幅提高。二是轻量级模型MobileNet进行改进,将全连接层和Softmax激活函数去掉并依次添加flatten层、dense层、Targeted dropout层和dense层,与之前实验对比可知训练时间大幅缩小。三是将VGG16模型进行改进,在VGG16模型原来的基础上加入空洞卷积,增加了感受野,其次,再将全连接层去掉,依次加上flatten层、全连接层、Targeted dropout、全连接层。实验结果准确度也相对提高。通过以上实验得知,经过卷积神经网络进行验证的准确率明显高于当前的传统方法,且训练时间减少了十余个小时,提高了效率。这对大部分医学研究有很重要的价值。