O câncer de mama é um dos tumores que representam uma grande ameaça à saúde das mulheres, e seus subtipos moleculares estão intimamente relacionados com o tratamento clínico dos pacientes. A identificação precisa dos subtipos moleculares do câncer de mama desempenha um papel importante na orientação clínica do tratamento e na melhoria do prognóstico. Este artigo propõe um método de análise de ponta a ponta baseado na combinação de rede neural convolucional unidimensional (1D-CNN) e tecnologia de espectroscopia de fluorescência, sem a necessidade de pré-processamento espectral, o que simplifica o processo e retém mais informações efetivas. Foi projetado e construído autonomamente um sistema de espectroscopia de fluorescência induzida a laser para coletar os espectros de autofluorescência de quatro subtipos de tecido de câncer de mama. Através do ajuste por função gaussiana dos dados espectrais, foi realizada análise quantitativa e qualitativa das informações bioquímicas do tecido do câncer de mama. O modelo 1D-CNN foi utilizado para extrair características profundas dos dados espectrais, alcançando um reconhecimento de alta precisão dos subtipos de câncer de mama. Além disso, foi empregada a tecnologia de mapeamento de ativação ponderada por gradiente (Grad-CAM) para análise visual das regiões espectrais chave focadas pelo modelo, melhorando assim a interpretabilidade do modelo. Os resultados experimentais indicam que a taxa de acurácia da classificação dos tecidos dos subtipos de câncer de mama atingiu 98,7%, a taxa de recall foi 97,2%, a precisão foi 98,1% e a pontuação F1 foi 97,7%. O método proposto neste estudo demonstra um bom potencial para aplicações clínicas e pode fornecer uma rota técnica eficaz para o diagnóstico inteligente do tipo molecular do câncer de mama.

análise espectral;tipificação do câncer de mama;espectroscopia de fluorescência;rede neural convolucional unidimensional