约20%的人在其一生中都会患有癌症,其中乳腺癌的发病率逐年提高并在新发患者数量和死亡数量上都位居第一。据统计结果显示,45岁到55岁是乳腺癌病症的高发期,早期乳腺癌的治愈率可达到90%,所以越早发现越能提高乳腺癌患者的治愈率。由于传统的乳腺检测方式时间周期长、费用高,所以提高检测速度并降低费用变得越加重要,拉曼光谱作为一种分子散射光谱,能够检测到物质中分子结构和含量的变化,在疾病诊断方面具有一定的参考价值。一般来说,拉曼光谱数据特征数量较多,使用深度学习技术可以更为充分地学习这些特征信息。但是医疗数据通常有采集困难,数据集中样本数量少等问题,这就使得直接使用深度学习构建的模型存在稳定性较差、泛化能力较弱、过拟合等问题。为了解决上述问题,并能对一维的乳腺组织拉曼光谱数据更好地分类,本文中分别从降低样本特征数量和增加一维医疗数据两方面进行实验,并设计了一种专用的卷积神经网络用来提高在乳腺组织拉曼光谱数据分类任务的各评价指标。首先,使用频繁项集挖掘方法减少光谱数据中特征数量。由于频繁项集挖掘算法适用于字符型数据,所以需要将实验中的数值型光谱数据转变为字符型数据。工作流程如下:将数据集中的数值型数据按照一定规则转换为字符型数据,并以此为基础进行数据挖掘;调节频繁项集挖掘算法中的参数以获得在训练集中频繁项集挖掘后,取得的不同样本属性列集合;以这些不同的样本属性列集合建立新的数据集,并在新的训练集上构建模型,观察模型过拟合现象并考量评价指标。其次,使用数据增强的方法增加光谱数据样本。如果直接使用增强图片数据的方式增加一维的医疗数据,扩增后的光谱数据无法准确定义它的类别,所以实验中使用不同的滤波器以再次平滑的方式扩增数据,在确保增强前后光谱数据不一致的基础上尽量减少它们的变化幅度。工作流程如下:以原始数据集中的训练集作为扩增目标,分别使用不同的滤波器进行数据增强;调节不同滤波器中的参数使得分别扩增相同倍数后的不同训练集中样本数量相同,并比较哪种扩增方式更适合此分类任务;分别在扩增后的训练集上使用不同网络构建模型,并比较不同模型的评价指标。最后,本文中设计了一种卷积神经网络,并用其构建模型以验证在此光谱数据分类任务中,该模型的结果能够优于其它模型。通过实验验证可以得到,分别使用降低样本特征数量或增加一维医疗数据的方式,能够减少或避免直接在医疗数据上构建模型时带来的过拟合问题,提高模型在乳腺组织拉曼光谱数据分类任务上的表现。本文设计的卷积神经网络在三分类任务中,模型达到了97.83%的准确率,0.97的精确率,0.96的召回率,0.96的F1值;而在五分类任务中,模型取得了97.83%的准确率,0.98的精确率,0.97的召回率,0.98的F1值。这证明了降低特征数量或数据增强光谱数据后分别构建的模型,既融合了深度学习技术的优势,又在一定程度上解决医疗数据样本数量过少,特征多且采集困难带来的模型过拟合问题。