Research Article

إطار التعلم العميق المبني على EfficientNetB7 لتعزيز تصنيف صور سرطان الرئة والقولون النسيجي المرضي

DOI:

10.3791/68812

⸱

February 6th, 2026

 ,  ,  ,  ,  , 
1Department of CSE, MIT School of Computing, MIT Art, Design and Technology University, 2Department of Computer Science & Engineering, Faculty of Engineering and Technology, JAIN (Deemed-to-be University), 3School of Science, Engineering and Environment, University of Salford, 4Centre for Research Impact and Outcome, Chitkara University, 5Department of Information Systems, College of Computer and Information Science, Princess Nourah bint Abdulrahman University, 6Department of Informatics and Computer Systems, College of Computer Science, King Khalid University, 7Center for Artificial Intelligence, King Khalid University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

هنا، نقدم نظام تعلم عميق باستخدام نموذج EfficientNetB7 لتصنيف الصور النسيجية المرضية لسرطان الرئة والقولون بدقة. حقق النموذج دقة بنسبة 96٪ مع تطبيق المعالجة المسبقة، وتعزيز البيانات، وتعلم النقل. تتمتع هذه الطريقة بفرصة كبيرة للمساعدة في التشخيص السريري للسرطان.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يلعب التشخيص المبكر لسرطان الرئة دورا محوريا في ضمان تحسين العلاج وبقاء المرضى. ولا يزال هذا يركز بشكل رئيسي في البحث السريري. لقد حول الذكاء الاصطناعي علم الأمراض من خلال تحسين دقة وكفاءة التشخيص بشكل كبير. تقدم هذه الدراسة نموذج تعلم عميق قوي على شكل نموذج EfficientNetB7 المدرب مسبقا لتصنيف صور القولون وأنسجة الرئة النسيجية بدقة عالية جدا تبلغ 96٪. تم تحسين أداء النموذج باستخدام طرق معالجة متقدمة، وضبط دقيق، وتقنيات تعزيز البيانات الخاصة بالمجال. تساعد هذه الاستراتيجيات في تقليل مشاكل مثل عدم توازن الطبقات والاختلافات النسيجة الدقيقة. لمعالجة مشكلة الإفراط في التركيب، تم دمج تقنيات متعددة لزيادة البيانات، وتم دمج معيار إيقاف مبكر. مكن هذا النهج من التدريب الفعال والفعال من حيث التكلفة. يظهر التحقق القوي للنموذج فائدة عالية للتطبيقات السريرية ويمكن أطباء الأمراض من تقديم تشخيصات دقيقة وفي الوقت المناسب. إن دمج نماذج التعلم العميق المتقدمة في سير عمل التصوير الطبي يحمل وعدا كبيرا لتشخيص السرطان مبكرا ودقيقا، مما يحسن نتائج المرضى في نهاية المطاف.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد سرطان الرئة والقولون من بين أكثر أنواع السرطان انتشارا في العالم من حيث معدل الوفيات. يعد سرطان الرئة السرطان القاتل الرائد مع أكثر من 1.8 مليون وفاة سنويا، يليه سرطان القولون كثالث أكثر الأورام الخبيثة شيوعا وثاني أكثر أسباب وفيات السرطان شيوعا، بناء على إحصائيات الصحة العالمية. التشخيص الدقيق والمبكر ضروري للعلاج الفعال وتحسين البقاء على قيد الحياة لهذه السرطانات. الفحص الأنسجي المرضي، أو التقييم المجهري لعينات الأنسجة من قبل أطباء علم الأمراض، يظل من أكثر الطرق شيوعا للكشف عن السرطان1. يوضح الشكل 1 عينات الصور النسيجية المرضية لعدة أنواع من الرئة وأنسجة القولون

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لم تتضمن هذه الدراسة أي تجارب مباشرة على المشاركين البشر أو الحيوانات. تم إجراء جميع الأعمال باستخدام مجموعة بيانات LC25000 متاحة للجمهور ومجهولة الهوية من الصور النسيجية، والتي لم تحتوي على معلومات مرضية يمكن تحديدها أو التعامل المباشر مع الأنسجة البشرية. لم تكن هناك حاجة لموافقة مجلس مراجعة المؤسسات (IRB) أو لجنة رعاية واستخدام الحيوانات المؤسسية (IACUC). جميع الإجراءات امتثلت للمعايير الأخلاقية والتزمت بشروط استخدام مجموعة البيانات للبحث الأكاديمي. يوضح الشكل 2 خطوات مخطط سير العمل.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعرض الشكل 4 التدريب والدقة للتحقق. يعرض الشكل 5 فقدان التدريب والتحقق من الواقع.

figure-results-1
الشكل 4: دقة التدريب والتحقق عبر العصور. يصور هذا الشكل تطور الدقة لكل من مجموعات التدريب والتحقق عبر جميع العصور، موضحا كيف يتطور أداء النموذج أثن.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في المراجعة النقدية للحالات التي تم تصنيفها بشكل خاطئ ضمن بنية التعلم العميق EfficientNetB7، يتم إجراء فحص نقدي للحالات التي لا تتطابق فيها توقعات النموذج مع التسميات الحقيقية ضمن مجموعة بيانات التحقق. التحليل النقدي ذو أهمية قصوى في تحليل بعض أخطاء التصنيف، خاصة عندما يخطئ النموذج في تصنيف خصائص نسيجية مرضية مختلفة لأنسجة الرئة والقولون11. الإجراء هو إجراء توقعات الفئات على جميع الصور في مجموعة التحقق ومقارنتها مع التصنيفات الحقيقية. يتم الإشارة إلى الصور المصنفة.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنه لا يوجد تضارب في المصالح فيما يتعلق بنشر هذه المخطوطة. لم تؤثر أي انتماءات مالية أو شخصية على البحث أو النتائج أو الاستنتاجات المقدمة في هذا العمل.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يدعم هذا البحث مشروع دعم الباحثين من جامعة الأميرة نورة بنت عبد الرحمن رقم (PNURSP2026R195)، جامعة الأميرة نورة بنت عبد الرحمن، الرياض، المملكة العربية السعودية. يعرب المؤلفون عن تقديرهم لعميد البحث والدراسات العليا في جامعة الملك خالد لتمويلهم هذا العمل من خلال أبحاث مجموعات كبيرة تحت رقم المنحة RGP2/749/46.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
وحدة معالجة رسومات A100 (CUDA)NVIDIAإصدار CUDA 11.0تسريع وحدة معالجة الرسومات (GPU) لتدريب وتقييم النماذج.
منصة كاجلجوجللا يوجددفتر ملاحظات قائم على السحابة لتطوير نماذج التعلم الآلي
كيراسTensorFlow (جوجل)الإصدار 2.6.0واجهة برمجة تطبيقات التعلم العميق تعمل فوق TensorFlow.
LC25000بوركوفسكي AA، بوي MM، توماس LB، ويلسون CP، ديلاند LA، ماستوريدس SM. مجموعة بيانات صور المرض النسيجي لسرطان الرئة والقولون (LC25000)لا يوجدتحتوي هذه المجموعة على 25,000 صورة نسيجية مرضية مع 5 فئات. جميع الصور بحجم 768 × 768 بكسل وتأتي بصيغة ملف JPEG.
ماتبلوتليبمؤسسة بايثون للبرمجياتالإصدار 3.5.0مكتبة التصور لرسم النتائج.
نومبايمؤسسة بايثون للبرمجياتالإصدار 1.19.5مكتبة الحوسبة العددية.
OpenCVالمصدر المفتوحالإصدار 4.5.4مكتبة معالجة الصور ورؤية الحاسوب.
الباندامؤسسة بايثون للبرمجياتالإصدار 1.3.4أداة تحليل البيانات والتلاعب.
بايثون (توزيع أناكوندا)شركة أناكونداالإصدار 3.7.12يتضمن حزم مثبتة مسبقا وأدوات إدارة البيئة.
سكيت-لرنمؤسسة بايثون للبرمجياتالإصدار 0.23.2أدوات تعلم الآلة لتقييم الأداء.
تنسور فلوجوجلالإصدار 2.6.2إطار عمل التعلم العميق لنماذج الانتشار.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Al-Jabbar, M., Alshahrani, M., Senan, E. M., Ahmed, I. A. Histopathological analysis for detecting lung and colon cancer malignancies using hybrid systems with fused features. Bioengineering. 10 (3), 383(2023).
  2. Borkowski, A. A., Bui, M. M., Thomas, L. B., Wilson, C. P., DeLand, L. A., Mastorides, S. M., et al.

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

EfficientNetB7 ModelDeep LearningLung Cancer DiagnosisColon Cancer DiagnosisHistopathological ImagesMedical ImagingData AugmentationEarly Cancer DetectionModel Fine TuningArtificial Intelligence Pathology

Related Articles