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 القولون2.

figure-introduction-1
الشكل 1: عينات من الصور من مجموعة البيانات. يعرض هذا الشكل أمثلة ممثلة من كل فئة في مجموعة بيانات LC25000، مبرزا التنوع البصري بين صور أنسجة الرئة والقولون الحميدة والخبيثة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

لقد غيرت علم الأمراض الرقمي الصناعة من خلال تمكينها من رقمنة شرائح علم الأنسجة، والتي يتم تشخيصها الآن باستخدام خوارزميات التعلم العميق المتطورة3. بالاقتران مع نماذج التعلم العميق، تعد الخوارزميات ممتازة في التعرف على الأنماط الدقيقة داخل البيانات الكبيرة، مما يعزز بشكل كبير دقة وكفاءة التشخيص. يوضح الجدول 1 وصف كل فئة من الأنسجة.

اسم الفئةالوصف
نسيج الرئة الحميدنسيج غير سرطاني في الرئتين، غير متورط في النمو السرطاني.
سرطان الغدة في الرئةنوع من سرطان الرئة ينشأ من نسيج ظهاري الغددي، معروف بأنماط نموه الخبيثة.
سرطان الخلايا الحرشفية في الرئةنوع من سرطان الرئة يتميز بشكل خلوي معين ينشأ من الخلايا الحرشفية التي تبطن المجاري الهوائية.
سرطان الغدة القولونيةمعظم حالات سرطان القولون سببها نوع شائع من سرطان القولون يبدأ في الخلايا الغدية في بطانة القولون.
نسيج القولون الحميدنسيج صحي في القولون لا يظهر عليه أي علامات على حالات سرطانية أو ما قبل السرطانية.

الجدول 1: نظرة عامة على الفئات الخمس للأنسجة والسرطان في مجموعة البيانات، بما في ذلك أسماء الفئات، والخصائص، وعدد الصور في كل فئة.

تم تحديد EfficientNetB7، وهي بنية شبكة عصبية ملتوية متطورة، على أنها فعالة بشكل خاص في مهام تصنيف الصور بسبب تكبيرها المتوازن في العمق والعرض والدقة. مقارنة بالمعماريات المستخدمة على نطاق واسع مثل ResNet وDenseNet، تحقق EfficientNetB7 توازنا متفوقا بين دقة التصنيف والكفاءة الحاسوبية من خلال التوسع المركب، الذي يحدد عمق الشبكة وعرضها ودقتها بشكل متناسب. بينما أظهرت ResNet وDenseNet أداء قويا في مهام تصنيف الصور الطبية، إلا أنهما عادة ما يتطلبان عددا أكبر من المعلمات وموارد حسابية أكبر للوصول إلى دقة مماثلة، مما يجعل EfficientNetB7 أكثر ملاءمة للتحليل النسيجي المرضي واسع النطاق في البيئات السريرية ذات الموارد المحدودة4. يقدم تطبيق النماذج الحاسوبية المتقدمة، بما في ذلك أدوات الذكاء الاصطناعي مثل EfficientNetB7، إمكانيات جديدة لتجاوز التحديات التشخيصية التقليدية، حيث يوفر أدوات تدعم أطباء الأمراض وربما تحسن نتائج التشخيص. يمكن أن يؤدي دمج الذكاء الاصطناعي في ممارسة علم الأمراض إلى ديمقراطية الوصول إلى خدمات تشخيصية عالية الجودة، مما يجعل من الممكن للمناطق ذات الخبرة الطبية المحدودة إجراء التشخيصات المتقدمة.

الدراسات المعيارية الحديثة والمراجعات الشاملة في تحليل الصور الطبية أكدت باستمرار على التأثير المتزايد لهياكل التعلم العميق في علم الأمراض النسيجي5. أظهرت التحليلات واسعة النطاق أن الشبكات العصبية الالفافية ومتغيراتها الحديثة توفر أداء متقدما في تحديد السمات الشكلية الدقيقة عبر أنواع الأنسجة المتعددة، وغالبا ما تتفوق على طرق التشخيص التقليدية. تبرز التقييمات المقارنة أن البنى المتقدمة، بما في ذلك EfficientNet والنماذج القابلة للتوسع، لا تحقق فقط دقة تصنيف متفوقة، بل تظهر أيضا تحسنا في كفاءة الحاسوبة6. بالإضافة إلى ذلك، تبرز المراجعات المنهجية لعلم الأمراض الرقمية دورها التحويلي في التشخيصات الروتينية من خلال تمكين قابلية التكرار، وتقليل التباين بين المراقبين، والسماح بالتكامل مع خطوط الأنابيب الآلية. تؤكد هذه النتائج الجماعية أهمية اعتماد نماذج التعلم العميق المتقدمة لتصنيف السرطان النسيجي المرضي، وتوفر دليلا قويا على أن تطبيق البنى القابلة للتوسع والفعالة يمكن أن يعالج التحديات السريرية مثل اختلال التوازن الطبقي، والتفاوت النسيجي، وقلة توفر خبراء علم الأمراض.

أهداف هذا البحث هي (1) إنشاء وتقييم نموذج تعلم عميق لتصنيف صور الأنسجة لسرطان الرئة والقولون بناء على بنية EfficientNetB7؛ (2) إظهار قدرة النموذج على تحقيق دقة تصنيف عالية، قد تتفوق على طرق التشخيص التقليدية؛ (3) استكشاف تأثير تعزيز البيانات، وتقنيات المعالجة المسبقة، وتعلم النقل على أداء النموذج في سياق خاص بمجال.

لا تظهر هذه الدراسة فقط الدقة التشخيصية العالية التي يمكن تحقيقها باستخدام EfficientNetB7 على الصور النسيجة، بل تعالج أيضا بشكل صارم تحديات رئيسية مثل عدم توازن الطبقات والإفراط في التوافق من خلال تعزيز البيانات المستهدفة، واستراتيجيات التحقق القوية، وتقنيات الإيقاف المبكر. تم تصميم المنهجية خصيصا لتعكس البيئات السريرية الواقعية من خلال استخدام مجموعات بيانات كبيرة ومعززة، وقياس أداء النموذج على مقاييس ذات صلة سريرية. تضمن أتمتة وكفاءة سير العمل أن النظام عملي للدمج في مختبرات علم الأمراض الرقمية، مما يوفر إمكانية تعزيز إنتاجية أطباء الأمراض، وتحسين اتساق التشخيص، وتمكين الوصول الأوسع إلى التحليل على مستوى الخبراء في بيئات سريرية ذات موارد عالية وموارد محدودة.

حتى مع التقدم الملحوظ في التعلم العميق للتصوير الطبي، لا تزال هناك عدة تحديات عند تصنيف صور المرض النسيجي لسرطان الرئة والقولون7. تميل النماذج الحالية إلى الفشل في التعامل مع اختلال التوازن الطبقي، حيث يمكن أن تكون بعض أنواع السرطان ممثلة بشكل ناقص داخل مجموعات البيانات وتنتج توقعات متحيزة. علاوة على ذلك، تشكل الفروق النسيجية الدقيقة بين الأنواع الفرعية من السرطان، مثل سرطان الغدة وسرطان الخلايا الحرشفية في الرئة، تحديا كبيرا للتصنيف الصحيح. تم تنفيذ معظم الأبحاث السابقة على تصنيف سرطان واحد أو مع مجموعات بيانات صغيرة محدودة، مما يمنع التطبيق الواسع والفائدة في البيئة السريرية. الأساليب التقليدية أقل كفاءة حسابيا، وبالتالي أقل رغبة في التطبيقات السريرية الكبيرة أو السريرية في الوقت الحقيقي8.

تقوم الدراسة الحالية بسد هذه الفجوات من خلال الاستفادة من بنية EfficientNetB7، وهي نموذج تعلم عميق متطور ومثبت قابلية التوسع والفعالية. تستخدم التكبير العشوائي، والانقلبات، والدورانات، والإزاحات كطرق متقدمة لتعزيز البيانات لتعظيم متانة النموذج وقدرته على التعميم عبر أنماط نسيجية مرضية مختلفة. يستخدم التعلم التحويلي أيضا لضبط نموذج EfficientNetB7 المدرب مسبقا ليكون قادرا على التعلم والتكيف بطريقة محددة لمجموعات بيانات سرطان الرئة والقولون وتقليل وقت التدريبوالتكلفة الحاسوبية 9. كما أن استخدام التجميع المتوسط العالمي والتوقف المبكر يحسن أداء النموذج في الحصول على تدريب جيد وتجنب الإفراط في التركيب.

لقد حقق تطبيق التعلم العميق في التصوير الطبي، خاصة في تشخيص السرطان، تقدما كبيرا خلال السنوات القليلة الماضية. يعتمد التشخيص التقليدي لسرطان الرئة والقولون بشكل رئيسي على الفحص النسيجي المرضي، حيث يقوم أطباء علم الأمراض بفحص عينات الأنسجة تحت المجهر10. ورغم فعاليته، إلا أنه يتطلب جهدا كبيرا، ومفتوحا لتغيرات بين المراقبين، وعادة ما يكون مقيدا بقلة عدد خبراء علم الأمراض، خاصة في البيئات التي تعاني من قلة الموارد. وقد أدت هذه القيود إلى تطوير أنظمة تشخيصية محوسبة تعتمد على الذكاء الاصطناعي والتعلم العميق.

نماذج التعلم العميق، وخاصة الشبكات العصبية الالفافية (CNNs)، حققت نجاحا ملحوظا في تحليل الصور للعينات النسيجيةالمرضية 11. وهي بارعة بشكل خاص في تحديد الأنماط الدقيقة والتغيرات الدقيقة في شكل الأنسجة، وهي مهام مناسبة لتصنيف السرطان. على الرغم من التقدم، لا تزال هناك أوجه قصور مثل عدم توازن الطبقات، والتعميم المحدود على سيناريوهات مجموعات البيانات المتعددة، والتكاليف الحاسوبية العالية في الأساليب الحالية. على سبيل المثال، يتناول معظم العمل تصنيف سرطان واحد، مما يقتصر استخدامه على سيناريوهات تشخيص عدة سرطانات. أيضا، تجعل تقنيات المعالجة المبدئية وتعزيز البيانات السيئة عرضة للإفراط في التوافق، خاصة في سيناريوهات مجموعات البيانات الصغيرة أو غير المتوازنة.

لقد تغلبت التطورات الأخيرة في التعلم التحويلي جزئيا على هذه القيود من خلال الاستفادة من نماذج مدربة مسبقا على مجموعات بيانات كبيرة النطاق مثل ImageNet. EfficientNet وResNet وDenseNet هي بعض النماذج التي جذبت الانتباه في تحليل الصور الطبية حيث يمكنها تعلم ميزات عالية المستوى من كميات محدودة من بيانات التدريب12. كما شهدت EfficientNet اعتمادا واسعا لقابليتها للتوسع وكفاءتها منذ تحقيقها دقة متطورة في عدة معايير تصنيف الصور. تطبيق EfficientNet في تصنيف سرطان الرئة والقولون المشترك لم يبحث بشكل موسع، خاصة فيما يتعلق بالتعامل مع اختلال التوازن الطبقي والاختلافات النسيجة الدقيقة13.

كان تعزيز البيانات استراتيجية حاسمة لصلابة النموذج وتحسين التعميم14. من خلال دمج تنويعات مثل الدوران، والتحريك، والتكبير، والقلب، تحاكي تقنيات تعزيز البيانات التباين الموجود في الصور النسيجة المرضية الفعلية، مما يمكن النماذج من تعلم الميزات الثابتة. تقنيات الإيقاف المبكر والتنظيم تحسن أداء النماذج أكثر من خلال تجنب الإفراط في التركيب وتعظيم كفاءة التدريب. على الرغم من كل هذه التطورات، لا تزال هناك حاجة إلى أطر عمل شاملة تعتمد المعالجة المتقدمة والتعزيز والتعلم التحويلي لتحقيق دقة عالية وكفاءة حسابية لتصنيف عدة سرطانات. الجدول 2: 15، 16، 17، 18، 19، 20، 21، 22، 23، 24 يظهر أدبيات الدراسة من الأدبيات الموجودة.

الدراسةالهدف
تالوكدر، م. أ. وآخرون 15 (2022)تقديم نموذج هجين لاستخراج الميزات يجمع بين التعلم العميق وتعلم الآلة لتحديد سرطان القولون والرئة.
عطاالله، أ. وآخرون 16 (2022)قدم إطار عمل تعلم عميق منخفض الوزن يجمع بين مجموعة متنوعة من النماذج وتقنيات التحول للمساعدة في اكتشاف سرطانات الرئة والقولون في وقت مبكر.
هاجي شهده، أ. وآخرون 17 (2022)إنشاء نظام تشخيصي قائم على التعلم الآلي بمساعدة الحاسوب يمكنه تحديد أنواع مختلفة من أنسجة الرئة والقولون.
وحيد، ر. ر. وآخرون 18 (2023)استخدم نظام تشخيص بمساعدة الحاسوب مع CNN للكشف عن سرطانات الرئة والقولون.
كومار، ن. وآخرون 19 (2022)قارن ونقارن تقنيات استخراج السمات المستخدمة لتصنيف سرطان القولون والرئة.
محمود، س. وآخرون 20 (2022)أنشئ شبكة عصبية مدربة مسبقا مع طبقات معدلة نموذج تشخيصي لسرطانات الرئة والقولون تكون دقيقة وفعالة.
تشو، ل. وآخرون 21 (2024)التنبؤ بأهداف جديدة للوجونين (WOG) في علاج سرطان الرئة والمثانة والقولون باستخدام طرق المعلوماتية الحيوية.
ريدي، ك. ر. وآخرون 22 (2022)توفير طريقة هجينة لاستخراج الميزات تعتمد على التعلم الآلي للكشف عن سرطان القولون (LCC).
شانديليا، س.، ناياك، س. ر.23 (2022)تساعد شبكات CNN وتصميم محول الرؤية في تصنيف صور أمراض النسيج لسرطان الرئة والقولون.
حسن، م. وآخرون 24 (2023)باستخدام العديد من نماذج CNN، صنف صور سرطان الرئة والقولون لتعزيز إجراءات التشخيص.

الجدول 2: مقارنة بين الدراسات السابقة ذات الصلة حول تصنيف الصور النسيجية المرضية، مع تفصيل مجموعات البيانات المستخدمة، وأنواع النماذج، والنتائج المبلغ عنها.

تبني هذه الورقة على هذه المساهمات من خلال دمج نموذج تعلم عميق يستخدم بنية EfficientNetB7، مع تعزيز البيانات والتعلم التحويلي المتطور. يتفوق الحل الحالي على عيوب الحلول السابقة من خلال تحسين دقة التصنيف، وتوازن الفئات، وانخفاض التكلفة الحاسوبية، وبالتالي فهو الحل الأمثل للاستخدام في البيئة السريرية.

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.

figure-protocol-1
الشكل 2: سير العمل للطريقة المقترحة. يشمل سير العمل معالجة البيانات المسبقة، والتعزيز، وتدريب النماذج، والتقييم. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

وصف مجموعة البيانات
تم استخدام مجموعة البيانات LC25000 لهذه الدراسة. تكونت من 25,000 صورة نسيجية مرضية، جميعها منسقة بشكل موحد كملفات JPEG بدقة 768 × 768 بكسل. نشأت مجموعة البيانات من مجموعة أولية من 1,250 صورة أصلية، بما في ذلك 250 صورة لأنسجة رئة حميدة، و250 ورما غديا للرئة، و250 سرطانا للخلايا الحرشفية في الرئة، و250 صورة لأنسجة القولون الحميدة، و250 ورما غديا للقولون. تم توليد الصور المتبقية من خلال تعزيز البيانات لتوسيع مجموعة البيانات، مما يضمن مجموعة متنوعة وواسعة من أجل تدريب وتحقق قوي من النماذج.

سمحت الصور عالية الدقة بفحص دقيق لهياكل الخلايا، وهو أمر ضروري لتصنيف السرطان بدقة. كان تعزيز البيانات ضروريا بسبب قلة عدد الصور الأصلية؛ تم استخدام تقنيات مثل الدوران، والقلب، والتكبير، والتغييرات لزيادة حجم وتنوعها بشكل اصطناعي. أنتجت هذه العملية 23,750 صورة تركيبية إضافية بطريقة متوازنة حسب الفئة، مما أدى إلى مجموعة بيانات نهائية من 25,000 صورة، مع احتواء كل فئة على 5,000 صورة بعد التعزيز.

معالجة البيانات المسبقة
كانت الصور النسيجة الخام داخل مجموعة البيانات بدقة 768 × 768 بكسل. لضمان التوافق مع معمارية EfficientNetB7 ولزيادة الكفاءة الحاسوبية، تم تغيير حجم كل صورة من 768 × 768 إلى 224 × 224 بكسل. مثلت عملية تغيير الحجم هذه مقايضة بين الحفاظ على الميزات النسيجة الأساسية وتقليل النفقات الحسابية. تم تمثيل عملية تغيير الحجم رياضيا كما هو موضح في

المعادلة 1: figure-protocol-2 (1)

حيث X يرمز إلى الصورة الأصلية، وXالذي تم تغيير حجمه هو الصورة المعاد حجمها، وh و w هما الارتفاع والعرض المطلوبان على التوالي. تم تطبيع جميع قيم البكسل إلى نطاق من 0 إلى 1، مما استقر وتسرع التدريب من خلال ضمان توزيع إدخال متسق عبر الصور. تم حساب هذا التطبيع رياضيا كما هو موضح في المعادلة 2. كانت هذه الخطوة ضرورية لتحسين تقارب النماذج أثناء التدريب.

figure-protocol-3(2)

تم استخدام تعزيز البيانات كتقنية أساسية لتعزيز متانة وقابلية تطبيق نماذج التعلم العميق، خاصة في سياق التصوير الطبي مع مجموعات بيانات محدودة وغير متوازنة. في هذه الدراسة، تم تطبيق مجموعة متنوعة من تقنيات التعزيز باستخدام وحدة ImageDataGenerator من TensorFlow لمحاكاة التغيرات في الجسم الحي في الصور النسيجية. شملت هذه التقنيات دورانات عشوائية تصل إلى 20 درجة لمحاكاة تباين اتجاه الأنسجة، وتحولات أفقية ورأسية تصل إلى 20٪ من أبعاد الصورة لمحاكاة تباين الموقع أثناء تحضير الشريحة، وتكبير عشوائي يصل إلى 20٪ لعكس تباين مستويات التكبير.

بالإضافة إلى ذلك، تم إجراء الانقلاب الأفقي لإدخال اختلافات في الصورة المعكوسة، مما أثرى مجموعة بيانات التدريب أكثر. لإدارة البكسلات الجديدة المتولدة أثناء هذه التحولات، تم اعتماد استراتيجية ملء أقرب جار لضمان انتقالات سلسة والحفاظ على سلامة الميزات النسيجة الرئيسية. مصفوفة الدوران ثنائية الأبعاد المستخدمة في التعزيز ممثلة في المعادلة 3، وتعرف المعادلة 4 دالة بتغير تدريجي:

figure-protocol-4(3)

figure-protocol-5(4)

عوضت هذه التقنيات عن تحديات مثل اختلال الطبقات، والاختلافات النسيجية الطفيفة، وقيود مجموعة البيانات من خلال تمكين النموذج من تعلم الميزات الثابتة وتقليل خطر الإفراط في التوافق. من خلال توسيع مجموعة البيانات بشكل تركيبي ودمج التغيرات المسيطر عليها، عزز تعزيز البيانات بشكل كبير قدرة النموذج على التعميم إلى بيانات جديدة غير مرئية، مما أنتج نظاما أقوى وأكثر قوة للنشر السريري في تشخيص سرطان الرئة والقولون.

بنية النماذج
تم تطوير النموذج بناء على بنية EfficientNetB7، وهي شبكة تعلم عميق متطورة معروفة بأدائها وقابليتها للتوسع، وفعاليتها في مهام تصنيف الصور. تم بناء EfficientNetB7 باستخدام سلسلة من كتل الالتفاف عنق الزجاجة المقلوب المتنقل (MBConv)، والتي تضمنت التفافيات قابلة للفصل من حيث العمق. هذا التصميم الإنشائي ضغط النموذج بشكل فعال، مما أدى إلى تقليل كبير في عدد المعلمات مع فقدان بسيط في الأداء. مكن هذا الابتكار النموذج من تحقيق دقة عالية مع تكاليف حسابية أقل، مما جعله مناسبا بشكل خاص للتطبيقات الحاسوبية المكثفة مثل تحليل الصور النسيجية. يوضح الشكل 3 بنية النموذج لجهاز EfficientNetB7 المدرب مسبقا.

figure-protocol-6
الشكل 3: بنية النموذج ل EfficientNetB7. يظهر هذا الشكل البنية التفصيلية لنموذج EfficientNetB7، موضحا طبقاته الرئيسية والكتل الوظيفية المستخدمة لتصنيف الصور. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

قبل النموذج الصور النسيجية المعالجة مسبقا والتي تم تغيير حجمها من أبعادها الأصلية من 768 × 768 بكسل إلى 224 × 224 بكسل لتتناسب مع متطلبات الإدخال في EfficientNetB7. خضعت كل صورة لعدة عمليات داخل الشبكة، بما في ذلك تطبيع الدفعات، ووظائف تفعيل Swish، وعمليات الالتفاف. تم حساب تطبيع الدفعات كما هو موضح في المعادلة 5. أدخلت وظيفة تفعيل سويش اللاخطية ومكنت تدريبا أسرع وأكثر كفاءة مقارنة بالوظائف التقليدية مثل ReLU. تم تصميم هذه الطبقات لاستخراج وتعزيز الميزات الهرمية، مما يسمح للنموذج بالتعلم التدريجي من الأنماط منخفضة المستوى إلى العالية مع انتشار الصور عبر الشبكة.

figure-protocol-7(5)

العمود الفقري التفافي ل EfficientNetB7، المدرب مسبقا على مجموعة بيانات ImageNet، قدم مجموعة قابلة للتعميم العالية من كواشف الميزات الفعالة عبر مجموعة واسعة من مجالات الصور. لعبت القاعدة المدربة مسبقا دورا رئيسيا في التقاط أنماط دقيقة لكنها مفيدة في الصور النسيجية المرضية، والتي غالبا ما تتميز بتنوع داخلي عالي وميزات دقيقة الحبيبات. تم تمرير المخرج من الطبقات الالتفافية إلى طبقة تجميع متوسطة عالمية، مما قلل الأبعاد المكانية إلى متجه ميزة واحد لكل صورة. تم تسطيح هذا المتجه، الذي يجمع أهم الميزات التي تعلمتها الطبقات الالتفافية، إلى مصفوفة أحادية البعد للتوافق مع الطبقات المتصلة بالكامل. تم توفير خوارزمية الكشف المحسن عن سرطان الرئة والقولون في الملف التكميلي 1.

تضمنت بنية الشبكة اللاحقة طبقتين كثيفتين (متصلتين بالكامل) ب 128 و64 وحدة على التوالي. استخدمت كلتا الطبقتين وظيفة تفعيل الوحدة الخطية المصححة (ReLU) لإدخال المزيد من اللاخطية وضبط الميزات المستخرجة، مما مكن النموذج من التعرف على أنماط وعلاقات أكثر دقة داخل البيانات. كانت الطبقة النهائية من النموذج طبقة إخراج سوفت ماكس تحتوي على خمسة خلايا عصبية، كل منها يمثل واحدة من الفئات الخمس في مجموعة البيانات. أنتجت دالة سوفت ماكس توزيعا احتماليا عبر الفئات، يعكس توقع النموذج لكل صورة مدخلة، كما هو موضح في المعادلة 6:

figure-protocol-8(6)

أدى الجمع بين أحدث تقنيات الالتفاف، والتنظيم القوي، واستراتيجيات التحسين الفعالة إلى نموذج تعلم عميق مناسب لتصنيف الصور الطبية عالية المخاطر. حقق النموذج دقة وقابلية للتوسع وكفاءة تشغيلية، مما أظهر إمكانات قوية للتطبيق السريري في تشخيص سرطان الرئة والقولون. ضمن هذا الإطار، تم التنظيم بشكل أساسي من خلال تعزيز البيانات المتقدم واستخدام الإيقاف المبكر؛ لم يتم تطبيق أي انخفاض صريح أو تحلل وزن على الطبقات الكثيفة.

التدريب والتحقق
تم تصميم خط أنابيب التحقق والتدريب المسبق لشبكة العصبية الالفافية (CNN) لتصنيف الصور النسيجي المرضي LC25000 لتحسين أداء النموذج وضمان تعميم جيد. بدأ خط الإنتاج بمعالجة مسبقة شاملة، شملت تقليل حجم الصور الأصلية من 768 × 768 بكسل إلى 224 × 224 بكسل لتلبية متطلبات الإدخال في معمارية EfficientNetB7. تم تطبيع شدة البكسل إلى النطاق [0, 1] لتثبيت وتسريع التدريب، وطبقت تقنيات تعزيز البيانات، بما في ذلك الدوران العشوائي، والإزاحات، والتكبير، والانقلبات الأفقية - لإدخال التغير والتخفيف من الإفراط في التركيب. ضمنت هذه العمليات المسبقة أن يتعلم النموذج الميزات الثابتة ويتعمم جيدا على البيانات الجديدة.

تم استخدام نموذج EfficientNetB7، المدرب مسبقا على مجموعة بيانات ImageNet، كأساس، حيث وفر مجموعة كاشفات ميزات قوية قادرة على تحديد الأنماط النسيجية الدقيقة. تم تعديل النموذج لاحقا بدقة باستخدام طبقتين كثيفتين (128 و64 وحدة) تم تفعيلهما بواسطة دالة الوحدة الخطية المصححة (ReLU)، تليها طبقة إخراج سوفت ماكس لتصنيف خمس فئات. تم تحسين هذه البنية من أجل الدقة والكفاءة الحاسوبية، مما جعلها مناسبة جدا لتحليل الصور الطبية. قاعدة تحديث المحسن آدم ل θ موضحة في المعادلة 7.

figure-protocol-9(7)

تم إجراء تدريب النماذج على دفعات من 128 صورة باستخدام محسن آدم، الذي قام بتكبير معدل التعلم لتعزيز التقارب الفعال. تم تطبيق معيار إيقاف مبكر لمراقبة فقدان التحقق وإيقاف التدريب إذا لم يلاحظ أي تحسين، مما يمنع الإفراط في التجهيز وتحسين الموارد الحاسوبية. خلال التدريب، تم تتبع مؤشرات الأداء الرئيسية — بما في ذلك الدقة، والفقدان، والدقة، والاستدعاء — باستخدام مجموعة تحقق تتكون من 20٪ من البيانات. قدمت مجموعة الاحتفاظ رؤى حاسمة حول قدرات النموذج على التعميم وخففت من خطر الإفراط في التكييف مع البيانات غير المرئية.

أدى دمج استراتيجيات المعالجة المسبقة المتقدمة، وتعزيز البيانات، والتحسين إلى دقة وقوة ممتازة للنموذج، مما أظهر إمكانات قوية للتطبيق السريري في اكتشاف سرطان الرئة والقولون. أجريت جميع التجارب على بطاقة رسومات NVIDIA Tesla P100 بذاكرة 16 جيجابايت وذاكرة نظام بسعة 64 جيجابايت. استغرق خط التدريب الكامل — بما في ذلك المعالجة المسبقة، والتعزيزات، وتحسين النماذج — حوالي ثلاث ساعات لإكمال عشرة عصور بحجم دفعة 128. تم اختيار هذه البنية التحتية الحاسوبية لإدارة مجموعة البيانات الكبيرة المعززة بكفاءة مع الحفاظ على أوقات تدريب مناسبة لبيئات البحث السريري.

لإعادة التكرار، تم تحديد جميع المعاملات الفائقة الحرجة بشكل صريح. تم تدريب النموذج باستخدام محسن آدم بمعدل تعلم ثابت يبلغ 0.001. تم إجراء التدريب لمدة لا تتجاوز 10 فترات قصيرة، مع توقف مبكر بناء على فقدان التحقق وصبر لمدة ثلاث فترات لمنع الإفراط في التركيب. تم استخدام حجم دفعة مكونة من 128 دفعة لكل من مرحلتي التدريب والتحقق. لضمان نتائج متسقة، تم تعيين البذرة العشوائية إلى 42 في جميع مراحل تحميل البيانات وتدريب النماذج. لم يتم تطبيق جدول تراجع معدل التعلم أثناء التدريب.

جمع البروتوكول بين المعالجة المسبقة المنهجية، والمعلمات الفائقة المعايرة جيدا، وأنظمة التحقق الدقيقة، وبيئة حسابية مفتوحة لتعزيز الدقة وقابلية التكرار. أسس سير العمل، من خلال دمج بنية التعلم العميق القوية، والتحسين الفعال، وتصميم التجارب القابل لإعادة الإنتاج، أساسا قويا لتصنيف الصور النسيجي المرضي. بالإضافة إلى إثبات الأداء القوي في اكتشاف سرطان الرئة والقولون، حدد البروتوكول إطارا قابلا للتوسع يمكن توسيعه ليشمل تحديات التصوير الطبي الحيوي المماثلة في الأبحاث المستقبلية.

خلال تطوير النموذج، تم تنفيذ عدة تعديلات عملية لتحقيق نتائج موثوقة وقابلة للتكرار. تم استخدام التوقف المبكر وتعزيز البيانات المتقدم لمعالجة اختلال التوازن الطبقي وفرط التركيب. تم التخفيف من الاستخدام العالي للذاكرة أثناء التدريب بتغيير حجم الصور إلى 224 × 224 بكسل واستخدام حجم دفعة 128. عندما تم مواجهة تقارب بطيء، تم ضبط معدل التعلم تجريبيا على 0.001. تم إجراء التحقق اليدوي من بنية دليل الصور لمنع أخطاء تحميل البيانات، وتم تثبيت بذور عشوائية لضمان قابلية التكرار. يمكن أن تكون هذه الاستراتيجيات إرشادات عملية للباحثين الذين يواجهون تحديات مماثلة في تدريب نماذج التعلم العميق باستخدام مجموعات بيانات صور نسيجية كبيرة.

التحليل الإحصائي
تم إجراء النمذجة الإحصائية لأداء النموذج باستخدام مجموعة شاملة من المقاييس لتقييم الدقة والاستقرار وقابلية التعميم. شملت مقاييس التقييم الرئيسية الدقة، والاستدعاء، ودرجة F1، والدقة لقياس أداء التصنيف. تم استخدام مصفوفة الالتباس للإبلاغ عن مقاييس الخطأ الخاصة بالفئة، وتم حسابها وفقا للمعادلات 8-10:

figure-protocol-10(8)

figure-protocol-11(9)

figure-protocol-12(10)

بالإضافة إلى ذلك، تم تقييم مقاييس الخطأ مثل متوسط التربيع (MSE)، والجذر المتوسط التربيعي للخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE) لتقييم دقة التنبؤ، وذلك باستخدام المعادلات 11-13:

figure-protocol-13(11)

figure-protocol-14(12)

figure-protocol-15(13)

تم استخدام منحنى خاصية تشغيل المستقبل (ROC) والمنطقة تحت المنحنى (AUC) لتقييم قدرة النموذج على التمييز بين الفئات عند عتبات مختلفة. تم حساب AUC كما هو موضح في المعادلة 14:

figure-protocol-16(14)

قدمت هذه التحليلات الإحصائية تقييما شاملا لأداء النموذج في التصنيف، ومتانته، وتعميمه على البيانات غير المرئية.

دراسة الاستئصال
ولتقييم مساهمة كل مكون ضمن إطار التصنيف بشكل أعمق، أجريت دراسة استئصال عن طريق حذف أو تعديل عناصر معمارية محددة من النموذج النهائي بشكل انتقائي. تم تقييم تكوينين تجريبيين بديليين: أحدهما شمل كل من طبقتي التجميع المتوسط العالمي وطبقة التسطح، تلاها طبقتان كثيفتان (128 و64 وحدة على التوالي)؛ أما التكوين الآخر فقد حذف كل من طبقة Flatten وطبقة الكثافة ذات 128 وحدة، مما ترك فقط طبقة التجميع المتوسط العالمي وطبقة كثيفة واحدة ب 64 وحدة.

حققت البنية الكاملة، كما وردت النتائج الرئيسية، دقة تحقق تقارب 96٪. عندما تم استبعاد طبقة Flatten، واستخدمت فقط طبقات الكثافة 128 و64 وحدة بعد التجميع المتوسط العالمي، انخفضت دقة التحقق إلى 81.6٪. وعلى العكس، عندما تم استبعاد طبقة الكثافة التي تحتوي على 128 وحدة، وتم الاحتفاظ بطبقة المسطحة، انخفضت دقة التحقق إلى 88٪. أشارت هذه النتائج إلى ضرورة تضمين كل من الطبقة الكثيفة الإضافية والمكونات المعمارية المناسبة لتحقيق أداء تصنيف مثالي. أظهرت نتائج تجارب الاستئصال بشكل متسق أن الجمع بين التجميع المتوسط العالمي، والتسطيح، وطبقتين متصلتين بالكامل مكن من تمثيل ميزات أكثر تعبيرا، مما أدى إلى تصنيف صور نسيجية أكثر دقة وقوة.

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. Lung and colon cancer histopathological image dataset (LC25000). arXiv. , (2019).
  3. Sakamoto, T., Furukawa, T., Lami, K., Pham, H. H. N., Uegami, W., Kuroda, K., et al. A narrative review of digital pathology and artificial intelligence:focusing on lung cancer. Transl Lung Cancer Res. 9 (5), 2255(2020).
  4. WHO Consolidated Guidelines on Tuberculosis. Module 3:Diagnosis: Rapid Diagnostics for Tuberculosis Detection. , World Health Organization. https://www.who.int/publications/i/item/9789240089488 (2024).
  5. Al-Zoghby, A. M., Ismail Ebada, A., Saleh, A. S., Abdelhay, M., Awad, W. A. A comprehensive review of multimodal deep learning for enhanced medical diagnostics. Comput Mater Continua. 84 (3), 2025(2025).
  6. Attallah, O. Lung and colon cancer classification using multiscale deep features integration of compact convolutional neural networks and feature selection. Technologies. 13 (2), 54(2025).
  7. Patharia, P., Sethy, P. K., Nanthaamornphong, A. Advancements and challenges in the image-based diagnosis of lung and colon cancer:a comprehensive review. Cancer Inform. 23, 11769351241290608(2024).
  8. Liao, Q. M., Hussain, W., Liao, Z. X., Hussain, S., Jiang, Z. L., Zhu, Y. H., et al. Computer-aided application in medicine and biomedicine. Int J Comput Intell Syst. 18 (1), 221(2025).
  9. Gautam, N., Ghosh, S., Sarkar, R. CNN models aided with a metaclassifier for lung carcinoma classification using histopathological images. Multimed Tools Appl. 84, 28493-28517 (2025).
  10. Mohammed, M. S., Mohammed, A. M. S. Safety diagnostic tool for non-small cell lung cancer (NSCLC) lyophilized serum. Clin Cancer Investig J. 13 (4), 15-19 (2024).
  11. Iqbal, S., Qureshi, A. N., Alhussein, M., Aurangzeb, K., Kadry, S. A novel heteromorphous convolutional neural network for automated assessment of tumors in colon and lung histopathology images. Biomimetics. 8 (4), 370(2023).
  12. Haziq, U., Uddin, J., Rahman, S., Yaseen, M., Khan, I., Khan, J., et al. Improving lung cancer detection with enhanced convolutional sequential networks. Sci Rep. 15 (1), 32099(2025).
  13. Abd El-Aziz, A. A., Mahmood, M. A., Abd El-Ghany, S. Advanced deep learning fusion model for early multi-classification of lung and colon cancer using histopathological images. Diagnostics. 14 (20), 2274(2024).
  14. Ravindran, U., Gunavathi, C. Cancer disease prediction using integrated smart data augmentation and capsule neural network. IEEE Access. 12, 81813-81826 (2024).
  15. Talukder, M. A., Islam, M. M., Uddin, M. A., Akhter, A., Hasan, K. F., Moni, M. A. Machine learning-based lung and colon cancer detection using deep feature extraction and ensemble learning. Expert Syst Appl. 205, 117695(2022).
  16. Attallah, O., Aslan, M. F., Sabanci, K. A framework for lung and colon cancer diagnosis via lightweight deep learning models and transformation methods. Diagnostics. 12 (12), 2926(2022).
  17. Hage Chehade, A., Abdallah, N., Marion, J. -M., Oueidat, M., Chauvet, P. Lung and colon cancer classification using medical imaging:a feature engineering approach. Phys Eng Sci Med. 45 (3), 729-746 (2022).
  18. Wahid, R. R., Nisa', C., Amaliyah, R. P., Puspaningrum, E. Y. Lung and colon cancer detection with convolutional neural networks on histopathological images. AIP Conf Proc. 2654, 020020(2023).
  19. Kumar, N., Sharma, M., Singh, V. P., Madan, C., Mehandia, S. An empirical study of handcrafted and dense feature extraction techniques for lung and colon cancer classification from histopathological images. Biomed Signal Process Control. 75, 103596(2022).
  20. Mehmood, S., et al. Malignancy detection in lung and colon histopathology images using transfer learning with class selective image processing. IEEE Access. 10, 25657-25668 (2022).
  21. Zhou, L., et al. Identification of novel targets and mechanisms of wogonin on lung cancer, bladder cancer, and colon cancer. J Future Foods. 4 (3), 267-279 (2024).
  22. Reddy, K. R., DeLaune, R. D., Inglett, P. W. Biogeochemistry of Wetlands: Science and Applications. , CRC Press. Boca Raton. (2022).
  23. Shandilya, S., Nayak, S. R. Analysis of lung cancer by using deep neural network. Innovation in Electrical Power Engineering, Communication, and Computing Technology. Lecture Notes in Electrical Engineering. , Springer. Singapore. (2022).
  24. Vision transformer-based classification for lung and colon cancer using histopathology images. Hasan, M., et al. 2023 International Conference on Machine Learning and Applications (ICMLA), Jacksonville, FL, USA, , (2023).
  25. Cen, J., Hu, N., Shen, J., Gao, Y., Lu, H. Pathological functions of lysosomal ion channels in the central nervous system. Int J Mol Sci. 25 (12), 6565(2024).
  26. Li, H., Wang, Z., Guan, Z., Miao, J., Li, W., Yu, P., et al. UCFNNet: ulcerative colitis evaluation based on fine-grained lesion learner and noise suppression gating. Comput Methods Programs Biomed. 247, 108080(2024).
  27. Song, W., Wang, X., Guo, Y., Li, S., Xia, B., Hao, A. CenterFormer:a novel cluster center enhanced transformer for unconstrained dental plaque segmentation. IEEE Trans Multimedia. 26, 10965-10978 (2024).
  28. Gayap, H. T., Akhloufi, M. A. Deep machine learning for medical diagnosis, application to lung cancer detection:a review. BioMedInformatics. 4 (1), 236-284 (2024).
  29. Luan, S., et al. Deep learning for fast super-resolution ultrasound microvessel imaging. Phys Med Biol. 68 (24), 245023(2023).
  30. Sun, D., Hu, Y., Li, X., Peng, J., Dai, Z., Wang, S. Unlocking the full potential of memory T cells in adoptive T cell therapy for hematologic malignancies. Int Immunopharmacol. 144, 113392(2025).
  31. Wang, G., Ma, Q., Li, Y., Mao, K., Xu, L., Zhao, Y. A skin lesion segmentation network with edge and body fusion. Appl Soft Comput. 170, 112683(2025).
  32. Singh, O., Kashyap, K. L., Singh, K. K. Lung and colon cancer classification of histopathology images using convolutional neural network. SN Comput Sci. 5 (2), (2024).
  33. Diagnose colon and lung cancer histopathological images using pre-trained machine learning model. Maheshwari, U., Kiranmayee, B. V., Suresh, C. Proc Int Conf Contemp Comput Inform, , 1078-1082 (2022).
  34. Masud, M., Sikder, N., Nahid, A. -A., Bairagi, A. K., AlZain, M. A. A machine learning approach to diagnosing lung and colon cancer using a deep learning-based classification framework. Sensors. 21 (3), 748(2021).
  35. Lung cancer detection from histopathological images using deep learning. Mohalder, R. D., et al. International Conference on Machine Intelligence and Emerging Technologies, , Noakhali, Bangladesh. (2022).
  36. Detection of colon cancer using Inception V3 and ensembled CNN model. Swarna, I. J., Hashi, E. K. Proc Int Conf Electr Comput Commun Eng, 2023, 1-6 (2023).
  37. Reis, H. C., Turk, V. Transfer learning approach and nucleus segmentation with MedCLNet colon cancer database. J Digit Imaging. 36 (1), 306-325 (2022).
  38. Deep convolutional neural networks for early-stage detection and prognostication of lung and colon cancer. Laxmikant, K., Arthi, A., Vinodhini, V., Natarajan, B., Bhuvaneswari, R., Selvam, P. 2024 International Conference on Integrated Circuits and Communication Systems (ICICACS), Raichur, India, , (1109).
  39. Musthafa, M. M., Manimozhi, I., Mahesh, T. R., Guluwadi, S. Optimizing double-layered convolutional neural networks for efficient lung cancer classification through hyperparameter optimization and advanced image pre-processing techniques. BMC Med Inform Decis Mak. 24 (1), 142(2024).
  40. Histopathological analysis advancements in deep learning for the diagnosis of lung and colon cancer with explanatory power via visual saliency. Kashyap, S., Shukla, A. K., Naim, I. Proc Int Conf Innov Emerg Trends Comput Inf Technol, 2125, Springer. Cham. 148-158 (2024).
  41. Alhassan, A. M. Enhanced pre-processing technique for histopathological image stain normalization and cancer detection. Multimed Tools Appl. 84, 29733-29761 (2024).
  42. Hijazi, A., Bifulco, C., Baldin, P., Galon, J. Digital pathology for better clinical practice. Cancers. 16 (9), 1686(2024).
  43. Ameyaw, S. A., Afari, D. A., Boateng, J. Advancements in image-based analyses for morphology and staging of colon cancer: a comprehensive review. Biomed Res Int. 2025 (1), 9214337(2025).
  44. Leveraging artificial intelligence for enhanced histopathological image analysis in lung and colon cancer diagnosis:development of a mobile application. Cherrat, L., Khrouch, S., Chraibi, M., Ezziyyani, M. Proc Int Conf Adv Intell Syst Sustain Dev, , Springer. Cham. 748-766 (2024).

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