مقالة منهجية

طريقة تعلم تحويل معتمدة على الذكاء الاصطناعي قابلة للتفسير للتنبؤ بسرطان الثدي

DOI:

10.3791/70011

⸱

يونيو 22, 2026

 ,  ,  ,  ,  , 
1Department of Computer Science and Engineering, SRM Institute of Science and Technology, Ramapuram campus, 2School of Science, Engineering and Environment, University of Salford, 3Division of Research and Development, Lovely Professional University, 4Department of Computer Science & Engineering, Faculty of Engineering and Technology, JAIN (Deemed-to-be University), 5Department of Informatics and Computer Systems, College of Computer Science, King Khalid University, 6Center for Artificial Intelligence, King Khalid University, 7Department of Management, College of Business Administration, Princess Nourah bint Abdulrahman University

في هذه المقالة

ملخص

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

تم تطوير بروتوكول تعلم نقل قابل للتفسير باستخدام EfficientNet-B0 وGrad-CAM لتصنيف صور الموجات فوق الصوتية للثدي إلى فئات حميدة، خبيثة، وطبيعية، مما يوفر خرائط حرارية تشخيصية قابلة للتفسير مناسبة لتطبيقات دعم القرار السريري.

الملخص

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

يتطلب تحديد سرطان الثدي عبر صور الموجات فوق الصوتية دقة عالية وشفافية لمساعدة الأطباء في اتخاذ القرارات المناسبة. يظهر هذا العمل نظام تعلم عميق لتصنيف صور الموجات فوق الصوتية للثدي إلى صور حميدة، خبيثة، وطبيعية باستخدام بنية EfficientNet-B0 المضبوطة بدقة على مجموعة بيانات تحديد الموجات فوق الصوتية للثدي (BUSI). لتقليل عدم توازن الطبقات وتثبيت الشبكة، يتم تطبيق تعزيز البيانات بما في ذلك التقليب الأفقي العشوائي، والدوران، وتذبذب الألوان. يستخدم رسم خرائط تنشيط الفئات المرجحة بالتدرج (Grad-CAM) لتوليد تفسيرات بصرية من خلال تحديد المناطق ذات الاهتمام مثل هوامش الأورام وأنماط النسيج. حقق النموذج دقة متوسطة بلغت 99٪، مما أظهر فعالية عالية في اكتشاف الآفات. دمج الذكاء الاصطناعي القابل للتفسير (XAI) لا يعزز الثقة بالتشخيص فحسب، بل يجسر أيضا الفجوة بين الممارسة السريرية والذكاء الاصطناعي. تثبت النتائج إمكانية دمج نماذج التعلم العميق عالية الأداء مع طرق التفسير في تطوير أدوات تشخيص موثوقة لسرطان الثدي مناسبة للممارسة السريرية الفعلية.

المقدمة

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

سرطان الثدي هو أحد أهم الأمراض التي تهدد الحياة وتصيب النساء في العالم. وفقا لمنظمة الصحة العالمية (WHO)، يساهم سرطان الثدي في غالبية الوفيات المرتبطة بالسرطان، والتشخيص المبكر أمر حاسم من حيثتعزيز معدل البقاء على قيد الحياة. أصبح التصوير بالموجات فوق الصوتية إجراء تشخيصيا روتينيا لسرطان الثدي لأنه آمن وغير مكلف ويمكنه إنتاج صور فورية. على عكس التصوير الشعاعي للثدي، فإن الموجات فوق الصوتية فعالة للغاية في تمييز الكتل الصلبة والنمو الذي يحتوي على السوائل، وبالتالي فهي تساعد في التشخيص الممتاز في وجود أمراض الثدي. تفسير الصور بالموجات فوق الصوتية أمر ذاتي للغاية ويعتمد على خبرة عالية المستوى ويسبب تباين في التشخيص واحتمال الخطأ البشري.

على مدى السنوات القليلة الماضية، أظهر الذكاء الاصطناعي والتعلم العميق قدرات هائلة في أتمتة تحليل الصور الطبية. تتفوق النماذج القائمة على التعلم العميق، وخاصة شبكات CNN، في تقسيم الكائنات، والاكتشاف، والتصنيف2. ومع ذلك، فإن تبني الذكاء الاصطناعي في الرعاية الصحية يعيق بسبب الطبيعة "الصندوق الأسود" لهذه النماذج. مصطلح "الصندوق الأسود" يشير إلى نقص الشفافية في كيفية وصول النموذج إلى استنتاج محدد؛ بينما تكون المدخلات والمخرجات معروفة، تبقى المنطق الداخلي والميزات المحددة المستخدمة لإجراء توقع سريري مخفية عن المستخدم.

الدافع وراء هذا العمل ينبع من الحاجة الملحة إلى أدوات موثوقة لدعم التشخيص المبكر لسرطان الثدي، الذي لا يزال سببا رئيسيا لوفيات الإناث على مستوى العالم. على الرغم من أن نماذج التعلم العميق فعالة للغاية، إلا أن نقص قابلية التفسير يحد من الاندماج في البيئات السريرية3. يعالج العمل الحالي هذه الثغرات من خلال استخدام EfficientNet-B0 لتصنيف الأداء العالي ودمج تقنيات الذكاء الاصطناعي القابل للتفسير (XAI)، مثل Grad-CAM، لتوفير رؤى بصرية حول عملية اتخاذ القرار في النموذج. من خلال الموازنة بين الشفافية والدقة، تهدف هذه الدراسة إلى تطوير نظام ذكاء اصطناعي موثوق يوفر دعما تشخيصيا قويا للأطباء. تكشف طرق XAI عن المنطق الأساسي لتوقعات النماذج، مما يسمح للأطباء بالتحقق من النتائج وجسر الفجوة بين الممارسة السريرية والأنظمة الآلية4. في تصنيف الموجات فوق الصوتية للثدي، تضمن هذه القابلية للتفسير أن تكون التشخيصات المبنية على الذكاء الاصطناعي دقيقة ومبررة سريريا.

على الرغم من التقدم في التعلم العميق، فإن تصنيف صور الموجات فوق الصوتية للثدي ليس خاليا من التحديات، بما في ذلك اختلال التوازن الطبقي، حيث يتم تمثيل فئات الأقليات مثل الأورام الخبيثة بشكل كاف، مما يؤدي إلى نماذج متحيزة5. نقص قابلية التفسير في نماذج التعلم العميق يجعل تطبيقها صعبا في الممارسة السريرية، حيث يحتاج الأطباء إلى اتخاذ قرارات شفافة. القيود على مجموعة البيانات مثل الحجم المحدود والتنوع تحد من تعميم النماذج، بينما يصعبتعلم الميزات المعقدة للصور في الموجات فوق الصوتية مثل حدود الأورام والملمس. تتطلب حلول المشكلات المذكورة أعلاه إطارا قويا وقابلا للتفسير يضمن دقة عالية مع رؤية واضحة لتوقع النموذج7.

تهدف الدراسة إلى تطوير إطار تعلم عميق قادر على تصنيف صور الموجات فوق الصوتية للثدي إلى فئات حميدة، خبيثة، وطبيعية، مع تحسين التعميم من خلال التعزيز المستهدف للفئات الأقلية. يدمج الإطار رسم خرائط تفعيل الفئات المرجحة بالتدرج لتقديم تفسيرات بصرية للتنبؤات ويقيم الأداء باستخدام الدقة والدقة والاستدعاء ودرجة F1، مما يثبت مدى ملاءمته كنظام دعم سريري قابل للتفسير. على عكس الدراسات القابلة للتفسير باستخدام الموجات فوق الصوتية لسرطان الثدي التي أجريت سابقا حيث يستخدم Grad-CAM غالبا كتصور بعد الوقوع8، يجمع الإطار المقترح بين المعالجة المسبقة الواعية للآفات والتعلم الواعي في الصف في مرحلة التدريب. يتم وضع أقنعة الحقيقة الأرضية لمجموعة بيانات صور الموجات فوق الصوتية للثدي (BUSI) فوق صور الموجات فوق الصوتية لتسليط الضوء على حدود الآفات وأنماط الصدى الداخلية عند استخراج الملامح، ويستخدم التعزيز الانتقائي في مجموعات التشخيص الأقلية لتقليل التوازن في الفئات دون تغيير السمات السريرية ذات الأهمية9. هذا المزيج من تعزيز الآفة المدفوع بالآفات، وتعلم نقل EfficientNet-B0، وقابلية التفسير التكميلي والتكاملي والمتكامل، هو مزيج يحسن من متانة التشخيص وينتج تفسيرات تتوافق مع شكل الآفات، مما يبرر الفرضية القائلة بأن تعزيز الآفات الموجه تشريحيا وقابلية الشرح يمكن أن يجعل تشخيصات سرطان الثدي المدعومة بالذكاء الاصطناعي موثوقة وموثوقة10.

اعتمد التصوير الطبي التقليدي تقليديا على طرق معالجة الصور التقليدية، حيث دمج التصفية، والتقسيم، والعمليات الشكلية لتحديد البنى المرئية للتشخيص11. ومع ذلك، كانت هذه العمليات تتطلب عادة ضبطا يدويا وواجهت صعوبة في استيعاب التغيرات والتعقيد الكامنان في الصور الطبية. على سبيل المثال، كان تفسير الموجات فوق الصوتية للثدي يعتمد تاريخيا على الخبرة الذاتية لأطباء الأشعة، حيث كان تحديد الآفات الخبيثة والحميدة يعتمد على التصوير البصري المعرضة للخطأ البشري أو سوء التفسير.

أدى ظهور التعلم العميق إلى ثورة تحويلية في التصوير الطبي، خاصة من خلال نشر الشبكات العصبية الالفافية (CNNs)12. من بين هذه الابتكارات، يمثل EfficientNet-B0 ابتكارا مهما، حيث يستخدم طريقة التوسيع المركب التي توازن بين عمق الشبكة وعرضها ودقتها لتحقيق حسابات عالية الكفاءة ودقيقة. في سياق تصوير الموجات فوق الصوتية للثدي، يستخدم النموذج طبقات التفافية متتالية لتعلم الميزات الهرمية تلقائيا، مما يلغي فعليا الحاجة إلى استخراج السمات يدويا ذاتيا مع تعزيز دقة وموثوقية التشخيص بشكل كبير13. على الرغم من هذا الإمكان المذهل، لا يزال التعلم العميق في التصوير الطبي مجالا متطورا مع تحديات لم تحل. جودة وتوفر البيانات أمران بالغون، حيث تتطلب نماذج التعلم العميق مستودعات ضخمة من الصور المشروحة لضمان التعميم الناجح. علاوة على ذلك، فإن الطبيعة "الصندوق الأسود" لهذه النماذج تشكل عقبات كبيرة أمام القبول السريري؛ المخاوف الأخلاقية بشأن التحيزات المحتملة في بيانات التدريب قد تؤدي أيضا إلى توقعات تشخيصية منحازة أو تمييزية14. وبالتالي، يتطلب هذا البحث بروتوكولات اختبار وتحقق صارمة لضمان بقاء النماذج موضوعية وسليمة سريريا. لمعالجة هذه القيود، تركز التطورات الحالية في التعلم العميق على تحسين قابلية تفسير النماذج ومتانتها. تمكن تقنيات مثل رسم خرائط تنشيط الفئات المرجحة بالتدرج (Grad-CAM)، كما تم تطبيقها في هذه الدراسة، من تصور مناطق الصور المحددة التي تؤثر على نتائج النموذج، مما يعزز فهما أعمق لسلوك النموذج ويدعم اتخاذ القرار السريري. بالإضافة إلى ذلك، تسهل الاختراقات في أطر التعلم الفيدرالي تعاونات واعية بالخصوصية بين المؤسسات، مما يمكن من استخدام بيانات متجانسة دون الحاجة لمشاركة مجموعات البيانات الخام. هذه التطورات تتيح تدريجيا تطبيقات التعلم العميق الأكثر موثوقية وقابلية للتفسير وعدم التحيز في التصوير الطبي، مما يعزز في النهاية المعايير السريرية ورعاية المرضى 15.

لقد تم تسليط الضوء على أهمية أنظمة القرار الطبي القابلة للتفسير16 من خلال التقدم الأخير في الذكاء الاصطناعي القابل للتفسير. الأطر القابلة للتفسير أظهرت الأطر القابلة للتفسير القائمة على الدمج تصنيفا وشفافية أفضل من خلال الجمع بين أكثر من تمثيل سمة واحدة وأكثر من آلية تفسير واحدة.17. أظهرت الأبحاث الحديثة إمكانات عالية لاستخدام نماذج التعلم العميق بالتزامن مع طرق XAI لتعزيز الثقة التشخيصية في تشخيص سرطان الثدي والمهام الطبية الأخرى. تدعم هذه المقالات الحاجة إلى وجود كل من التفكير التنبؤي العالي والتفسير من قبل الأطباء، وهو ما يتوافق مع هدف الدراسة الحالية لإنشاء نظام تصنيف فعال ومفهوم للموجات فوق الصوتية18.

يعرض الجدول 1 مراجعة الأدبيات والتقنيات القائمة.

الدراسةالهدفملاحظة
هميرا عفرين وآخرون (2023)19راجع تطبيقات التعلم العميق لتشخيص الموجات فوق الصوتية لكتلة الثدي والتوقعات الطبيعية.أظهر تصنيف الآفات أعلى أداء، مع عدد أقل من الدراسات حول التشخيص.
جيلان أيانا وآخرون (2022)20راجع الحاملات النانوية الموجهة بالموجات فوق الصوتية للعلاج الكيميائي لسرطان الثدي.تحسن الحاملات النانوية المستجيبة للموجات فوق الصوتية توصيل الأدوية لكنها تواجه حواجز فسيولوجية.
فاليريو دي باولا وآخرون (2022) 21تحليل تقنيات التصوير لتحديد مراحل N دقيقة في سرطان الثدي.يلعب الرنين المغناطيسي والرنين المغناطيسي أدوارا رئيسية، لكن الإيجابيات أو السلبيات الكاذبة تؤثر على دقة التشخيص.
أدياشا ساهو وآخرون (2024) 22اقترح تصنيف التعلم العميق الجماعي للكشف عن سرطان الثدي.حقق دقة عالية باستخدام AlexNet وResNet وMobileNetV2 مع LoG وتعزيز عالي.
علي رضا رضا وآخرون (2022)23تطوير خط أنابيب تعلم مليكون قابل للتفسير لتشخيص سرطان الثدي باستخدام صور الموجات فوق الصوتية.يستخدم ميزات الخامات ومجموعات شجرة القرار لتحسين قابلية تفسير التنبؤات.
آصف رضا وآخرون (2023)24طور DeepBreastCancerNet للكشف القوي عن سرطان الثدي.حقق دقة 99.63٪ باستخدام بنية 24 طبقة مع تحسينات متعددة.
كيران جابين وآخرون (2022)25اقترح إطار عمل للتعلم العميق باستخدام DarkNet-53 ودمج الميزات.حقق دقة 99.1٪ باستخدام تقنيات اختيار الميزات المحسنة.
جيلان أيانا وآخرون (2022)26تطوير التعلم متعدد المراحل للنقل (MSTL) لتصنيف سرطان الثدي بالموجات فوق الصوتية.تحسين الدقة باستخدام التعلم الطبي المعتمد على الصور باستخدام EfficientNetB2 وInceptionV3 وResNet50.
ساكشام جوبتا وآخرون (2023)27استخدم ResNet50 المعدل لتصنيف سرطان الثدي بالموجات فوق الصوتية.حقق دقة 97.8٪، مما قلل وقت التشخيص وحسن الكشف المبكر.
كارل كراتكيفيتش وآخرون (2022) 28راجع طرق التصوير المتقدمة مثل التصوير المقطعي بالموجات فوق الصوتية (UST) والتصوير المقطعي الضوئي الصوتي (PAT).تعزز UST وPAT الكشف عن سرطان الثدي باستخدام التصوير الكمي.

الجدول 1: يعرض الأدبيات ومراجعة التقنيات القائمة.

يعتمد النموذج المقترح على الإنجازات التي حققتها التعلم العميق في تصنيف صور الموجات فوق الصوتية للثدي، والتي تتغلب على التحديات الرئيسية لهذا البحث، بما في ذلك جودة البيانات، وقابلية تفسير النموذج، وكفاءة العمليات الحسابية. على عكس التقنيات القديمة التي يستخدم فيها استخراج الميزات يدويا، يستفيد المؤلفون في هذا العمل من EfficientNet-B0، أحدث معمارية تجمع بين العمق والعرض والدقة في أفضل نظام عمل. يستخدم النموذج Grad-CAM لتصور تفسير توقعاته، مما يزيد من شفافيته وثقته السريرية. على الرغم من أن الحلول الحالية، بما في ذلك نماذج المجموعات وتعلم النقل، أصبحت دقيقة للغاية، إلا أنها لا يمكن تفسيرها بسهولة أو قد تتطلب قوة حوسبة كبيرة. يعالج العمل المعروض هذه الثغرات لأنه دقيق للغاية (99) وقابل للتفسير لضمان موثوقية النموذج وقابلية للتطبيق في الجوانب العملية لاتخاذ القرار السريري. النهج المقترح من خلال التركيز على عدم توازن الفئات والاستخدام العملي هو معيار جديد لتشخيص سرطان الثدي المدفوع بالذكاء الاصطناعي.

تستخدم الورقة BUSI المتاحة للجمهور، وهي مجموعة من الصور السريرية المجهولة الهوية التي جمعت سابقا. لم يكن هناك أشخاص أو حيوانات مباشرة في هذه الدراسة، وبالتالي لم تكن هناك حاجة للموافقة الأخلاقية المؤسسية (IRB/IACUC). جميع العمليات تتوافق مع المعايير المشتركة للاستخدام الثانوي لبيانات التصوير الطبي المتاحة للجمهور.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

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

1. خصائص مجموعة البيانات

استخدمت الدراسة مجموعة بيانات صور الموجات فوق الصوتية للثدي (BUSI) المتاحة للجمهور، والتي وفرت مستودعا موثقا جيدا لتحليل وتصنيف سرطان الثدي29. ثبت أن هذه المجموعة من البيانات كانت مناسبة بشكل خاص لأنها تضمنت مجموعة ضخمة من صور الموجات فوق الصوتية اللازمة لتأسيس والتحقق من نماذج التعلم العميق للتصوير الطبي. تضمنت مجموعة البيانات 780 صورة بالموجات فوق الصوتية التي جمعت من 600 امرأة تتراوح أعمارهن بين 25 و75 عاما، تمثل مجموعة متنوعة لتشخيص سرطان الثدي. حافظت جميع الصور على دقة متوسطة تبلغ 500 × 500 بكسل واستخدمت تنسيق PNG للحفاظ على بيانات بصرية عالية الجودة للتحليل. يوضح الشكل 1 سير العمل العام للإطار المقترح، بما في ذلك المعالجة المسبقة، والتعزيز، واستخراج ميزات EfficientNet-B0، والتصنيف، وتفسير Grad-CAM.

figure-protocol-1
الشكل 1: عينات تمثيلية من مجموعة بيانات BUSI. (أ) حميدة، (ب) خبيثة، و(ج) صور طبيعية. توضح اللوحات التنوع الشكلي المستخدم في التدريب. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

2. سير العمل التجريبي

لضمان إمكانية إعادة الإنتاج، نفذ التحقيق خط أنابيب المعالجة على مراحل متسلسلة. أولا، قام النظام بتحميل صور الموجات فوق الصوتية الخاصة ب BUSI وأقنعة الحقيقة الأرضية المقابلة وإعادة تكبيرها إلى 224×224 بكسل، تلاها تطبيع ImageNet. ثانيا، وضع الإطار كل صورة مع قناعها لتسليط الضوء على مناطق الآفات قبل تقسيم مجموعة البيانات إلى مجموعات فرعية للتدريب (70٪)، والتحقق (15٪)، والاختبار (15٪) باستخدام أخذ عينات طبقية. ثالثا، طبقت الدراسة زيادة مستهدفة تشمل الانقلاب الأفقي، والدوران (±15°)، وتذبذب الألوان بشكل أساسي على الفئات الأقلية. رابعا، قام الباحثون بضبط نموذج EfficientNet-B0، الذي تم تدريبه مسبقا على ImageNet، عن طريق استبدال طبقة التصنيف النهائية بطبقة إخراج ثلاثية الفئات. استخدمت عملية التدريب محسن آدم (معدل التعلم 0.00005)، وتناقص معدل التعلم بالخطوات (γ = 0.1 كل 7 عصرات)، وفقدان الإنتروبيا المتقاطعة، وحجم دفعة 8، والتوقف المبكر مع صبر 2. وأخيرا، أنتج Grad-CAM خرائط حرارة للانتباه من الطبقة الالفافية الأخيرة لرؤية المناطق ذات الصلة تشخيصيا ودعم التفسير السريري. يسرد جدول المواد مجموعات البيانات الأساسية، ومكتبات البرمجيات، وتكوينات الأجهزة اللازمة لإعادة إنتاج إطار تصنيف وتفسير الموجات فوق الصوتية للثدي في الدراسة.

أظهرت مجموعة بيانات BUSI اختلال في التوازن الطبيعي للفئة، وهي خاصية تلاحظ كثيرا في مجموعات البيانات الطبية. كان التوزيع يفضل الفئة الحميدة، تليها الحالات الخبيثة والحالات الطبيعية. احتوت مجموعة البيانات تحديدا على 487 صورة حميدة، و210 صورة خبيثة، و133 صورة طبيعية. بينما زادت زيادة البيانات من تباين التدريب، إلا أنها لم تغير عدد العينات الأساسية في كل فئة. يعكس هذا التوزيع سيناريوهات سريرية واقعية تحدث فيها الحالات الحميدة بشكل أكثر تكرارا من الأورام الخبيثة. على الرغم من أن هذا الخلل يصور بدقة انتشار تشوهات الثدي في البيئات السريرية، إلا أنه شكل تحديات لتدريب التعلم العميق، حيث قد يؤدي إلى توقعات متحيزة وأداء غير مثالي للفئات الأقلية. وبالتالي، أصبح التخفيف من هذا الخلل أمرا ضروريا لصياغة نموذج فعال وقابل للتعميم يؤدي بكفاءة عبر جميع فئات التشخيص. يوضح الشكل 2 صورا بالموجات فوق الصوتية ممثلة من مجموعة البيانات، موضحا أمثلة على عينات أنسجة الثدي الحميدة، الخبيثة، والطبيعية.

figure-protocol-2
الشكل 2: سير عمل النموذج المقترح. خط أنابيب تسلسلي من معالجة المدخل وتغطية القناع إلى تدريب EfficientNet-B0 ومخرجات Grad-CAM. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

3. معالجة البيانات المسبقة

أعادت الدراسة تغيير حجم جميع الصور إلى 224 × 224 بكسل، مع الالتزام بأبعاد الإدخال القياسية لمعمارية EfficientNet-B0. هذا التغيير ضمن اتساق مجموعة البيانات وتقليل المتطلبات الحسابية، كما هو معرف في المعادلة 1.

figure-protocol-3     

قام الإطار بتطبيع قيم البكسلات باستخدام متوسط وانحراف معياري لمجموعة بيانات ImageNet ([0.485، 0.456، 0.406] للمتوسط و[0.229، 0.224، 0.225] للأمراض الجنسية المحددة). وقد قام هذا التطبيع بتكبير بيانات الإدخال لتعزيز استقرار التدريب وسرعة التقارب، وذلك حسب المعادلة 2.

figure-protocol-4      

لتحسين استخراج الميزات وتحديد المناطق ذات الاهتمام، قام الباحثون بتركيب الصور الأصلية على أقنعة الحقيقة الأرضية المقابلة لهم. يوضح الشكل 3 أقنعة الآفات الواقعية والصور المتراكبة بالموجات فوق الصوتية التي أبرزت حدود الأورام.

figure-protocol-5
الشكل 3: القناع والصور المتراكبة. (أ) الموجات فوق الصوتية الأصلية، (ب) قناع الحقيقة الأرضية، و(ج) التراكب الناتج الذي يبرز حدود الورم للانتباه المكاني. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

حدد هذا التراكب مناطق حرجة مثل هوامش الأورام وأنماط النسيج، مما وفر للنموذج سياقا مكانيا محليا لتحسين دقة التصنيف، كما هو موضح في المعادلة 3.

figure-protocol-6      

استخدمت الدراسة عملية تغطية القناع حصريا أثناء إعداد بيانات التدريب لتعزيز معرفة حدود الآفات أثناء تعلم الميزات. على النقيض من ذلك، استخدمت مراحل التحقق والاستدلال فقط الصور الأصلية بالموجات فوق الصوتية بدون أقنعة، مع الحفاظ على خط تصنيف الصور التقليدي. نظرا لأن أقنعة التقسيم الثنائية في مجموعة بيانات BUSI كانت تمثل هياكل متأصلة بالفعل في صور الموجات فوق الصوتية، لم يتم إدخال تسميات فئات جديدة. لمنع تسرب المعلومات، قسم التحقيق مجموعة البيانات إلى مجموعات تدريب وتحقق واختبار، لضمان عدم مشاركة أزواج متداخلة من الصور أو الأقنعة عبر مجموعات فرعية. وبالتالي، عمل التراكب كدليل للانتباه المكاني يبرز المناطق ذات الأهمية التشريحية دون المساس باستقلالية بيانات التقييم.

4. تعزيز البيانات

نفذت الدراسة تعزيز البيانات المستهدف للتخفيف من عدم توازن الطبقات داخل مجموعة التدريب، مع التركيز بشكل خاص على الفئات الخبيثة والأقليات الطبيعية. استخدم الإطار مجموعة واسعة من التحولات لزيادة تباين بيانات التدريب بشكل مصطنع وتحسين قدرة النموذج على التعميم عبر ظروف تصوير متنوعة.

أولا، قام النظام بتقليب أفقي باحتمال 0.9 (90٪)، مما سمح للنموذج بالتعرف على الميزات بغض النظر عن اتجاه المسح. تبع هذا التحويل المعادلة 4:

figure-protocol-7      

ثانيا، طبق التحقيق دورانات عشوائية ضمن نطاق ±15° لمحاكاة التغيرات في زوايا المسح ووضع المرضى. أجبرت هذه العملية النموذج على تعلم ميزات ثابتة للدوران، مثل هوامش الأورام وأنماط النسيج، كما هو معرف بالمعادلة 5:

figure-protocol-8      

ثالثا، استخدم الباحثون اهتزاز الألوان لمحاكاة التغيرات في الإضاءة والتباين وتوازن الألوان. عدل الإطار السطوع والتباين والتشبع بمقدار 0.2، واللون بمقدار 0.1. حسنت هذه التعديلات العشوائية من متانة النموذج لتغيرات المظهر، حسب المعادلة 6:

figure-protocol-9      

اختيار هذه النطاقات المحددة للمعاملات الفائقة (الانقلاب الأفقي 0.9، دوران +15، -15، السطوع/التباين/التشبع 0.2، درجة اللون 0.1) نتج عن تقييم استقرار تجريبي. أظهرت الدراسة أن هذه الإعدادات حسنت التوازن بين توليد التنوع والواقعية التشريحية، مما ضمن تقارب ثابت ودقة تحقق مستقرة دون التسبب في تشوهات آفات غير واقعية.

5. هندسة النماذج

استخدمت الدراسة نموذج EfficientNet-B0، وهو نموذج CNN حديث معروف بكفاءته وقابليته للتوسع وأدائه مقارنة بهياكل تصنيف الصور الأخرى. استخدم هذا النموذج طريقة لقياس عمق وعرض ودقة الشبكة بشكل متناسب، مما سمح بدقة عالية مع عدد أقل بكثير من المعلمات مقارنة بالمعماريات القياسية مثل ResNet وVGG. مكن هذا النهج التوسعي الإطار من التعامل مع الصور عالية الدقة مع الحفاظ على كفاءة حسابية، مما يتناسب مع الاحتياجات الخاصة للتصوير الطبي. يوضح الشكل 4 بنية EfficientNet-B0، مع تسليط الضوء على تسلسل الكتل الالتفافية وكتل MBConv المستخدمة في استخراج الميزات الهرمي.

figure-protocol-10
الشكل 4: بنية EfficientNet-B0. مخطط لكتل MBConv وعوامل التوسع المركبة المستخدمة في استخراج الميزات الهرمية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

لتعديل EfficientNet-B0 لمهمة تصنيف الموجات فوق الصوتية للثدي، قدم الباحثون تعديلات محددة على هيكل النموذج. قام النظام بتبديل طبقة التصنيف الأولية، المخصصة لمجموعة بيانات ImageNet من الفئة 1,000، بطبقة متصلة بالكامل (كثيفة) تتكون من 3 خلايا عصبية مخرجة. حدد التحقيق جميع طبقات العمود الفقري المدرب مسبقا EfficientNet-B0 كطبقة قابلة للتدريب وتحسينها معا مع طبقة التصنيف الجديدة، وفقا لاستراتيجية ضبط دقيقة كاملة. لم تكن عملية التدريب تطبق التجميد المرحلي أو الفك التدريجي للتجميد. أجرى الإطار التدريب باستخدام محسن آدم بمعدل تعلم 0.00005 وجدول معدل تعلم خطوة يقلل المعدل بمقدار 0.1 مرة كل 7 عصرات. كانت هذه الخلايا العصبية تتوافق مع الفئات المستهدفة الثلاث ضمن مجموعة بيانات BUSI: حميدة، طبيعية، وخبيثة. استخدم النموذج تفعيل SoftMax على طبقة الإخراج، محولا الدرجات الخام إلى توزيعات احتمالية، كما هو محسوب في المعادلة 7. يوضح الجدول 2 وصف بنية النموذج.

figure-protocol-11      

نوع الطبقةالوصف
طبقة الإدخاليقبل الصور بحجم 224 × 224 × 3
الطبقات الالتفافيةيتضمن الالتفاف الأولي وكتل MBConv لاستخراج الميزات.
التجميع المتوسط العالمييقلل الأبعاد المكانية إلى متجه ميزة أحادي الأبعاد.
الطبقة المتصلة بالكامليربط متجه الميزة إلى 3 خلايا عصبية خارجة (طبيعية، حميدة، خبيثة).
تفعيل سوفت ماكسيحول سجلات الدخول إلى احتمالات لتصنيف الفئات المتعددة.

الجدول 2: يوضح وصف بنية النموذج.

كانت المعايير المستخدمة لتدريب النموذج هي محسن آدم، معدل تعلم ابتدائي 0.00005، وفقدان إنتروبيا متقاطع تصنيفي (ثلاث فئات)، تم حسابه رياضيا وفقا للمعادلة 9. تم استخدام أوزان ImageNet المدربة مسبقا لتهيئة EfficientNet-B0، وتم تدريبها بالكامل، وتم تدريب جميع طبقات العمود الفقري دون تطبيق تجميد مرحلي. تم استبدال المصنف الأولي بطبقة متصلة بالكامل وثلاثة خلايا عصبية مخرجة، وأخيرا تفعيل SoftMax، الذي يمثل الفئات الحميدة، الخبيثة، والطبيعية. تم تصغير الصور إلى 224 × 224 بكسل، ثم تم تطبيعها بمتوسط ImageNet والانحراف المعياري وتحميلها على دفعات صغيرة من 8. قام جدولة معدل التعلم بالخطوات بتقليل معدل التعلم بمقدار 0.1 في كل 7 فترات قصيرة. تم استخدام فقدان التحقق للتوقف مبكرا مع صبر عصرين لتجنب الإفراط في التوافق. تم إنتاج تفعيل التدرجات التكاملية (Grad-CAM التفاعلية) بناء على الطبقة الالتفافية الأخيرة عن طريق حساب التدرجات والتدرجات وتجميع المتوسط العالمي للحصول على أوزان القنوات، وزيادة خرائط التنشيط إلى دقة الإدخال.

لتأكيد هذا الاستقرار، تم تكرار التدريب على مدى عدة جولات مع أداء التحقق المطابق. تم استخدام مراقبة منحنيات فقدان التدريب والتحقق لتحديد الإفراط في التوافق، وتم استخدام مجموعة اختبارات احتفاظ طبقية لا تعتمد على التدريب لإجراء التقييم النهائي. الفرق بين أداء التحقق وأداء الاختبار صغير، مما يدل على تكرار التقارب وتحسين المتسق. المعادلة 10 تحدد جدول معدلات التعلم خطوة بخطوة. تشير المعادلة 15 إلى زيادتين متتاليتين في فقدان التحقق، مما يشير إلى احتمال الإفراط في التوافق.

figure-protocol-12      

figure-protocol-13      

figure-protocol-14      

figure-protocol-15      

figure-protocol-16      

figure-protocol-17      

figure-protocol-18      

يتميز EfficientNet-B0 بمرونة خاصة في مهمة تصنيف تصوير الموجات فوق الصوتية للثدي، حيث يتضمن هيكله عدة جوانب معمارية مبتكرة تمكن من كفاءة وسرعة الهيكل. الجزء المركزي هو MBConv، الذي يجمع بين الالتفافات القابلة للفصل من حيث العمق ووحدات الضغط والإثارة لتوفير تعقيد حسابي أقل دون فقدان الدقة. يدعم النموذج أيضا تحجيم المركبات الذي يضبط العمق والعرض والدقة بشكل موحد لتحقيق أداء مثالي في جميع أنواع قيود الموارد، كما أن النموذج هو أيضا رشاقة للعمل ومشتقة رياضيا كما في المعادلة 8 التالية. يحتوي النموذج بالفعل على أوزان مدربة على مجموعة بيانات ImageNet، وبالتالي يمكن نقلها للتعلم، وإلى حد كبير لا حاجة لتدريب النموذج على مجموعات بيانات طبية صغيرة. هذا المزيج من الميزات عالية المستوى، بالإضافة إلى بيئة التدريب المخصصة، التي تحتوي أيضا على التغييرات في طبقة التصنيف النهائية، واستخدام محسن آدم، وجدولة معدل التعلم، والتوقف المبكر، يضمن أن النموذج دقيق للغاية، لكنه في الوقت نفسه فعال حسابيا. هذا المزيج من الابتكار المعماري وأساليب التدريب سيمكن النموذج من التعلم بكفاءة بناء على ضعف المعلومات الطبية في التصوير، وبالتالي يثبت أنه أداة مفيدة في تصنيف الموجات فوق الصوتية للثدي.

الخوارزمية 1: تصنيف صور الموجات فوق الصوتية للثدي باستخدام EfficientNet-B0 وGrad-CAM

مدخل: صور بالموجات فوق الصوتية للثدي.
المخرج: التصنيف (طبيعي، حميد، خبيث) وخرائط الحرارة Grad-CAM.
1. الصور المسبقة للمعالجة:
أعد الحجم إلى 224×224224×224.
قم بتطبيع الوضع باستخدام متوسط ImageNet والأمراض الجنسية الجنسية.
أضف إلى القلب، والدوران، وتذبذب الألوان.
2. تهيئة النموذج:
Load EfficientNet-B0 (مدرب مسبقا، باستثناء الطبقة العلوية).
أضف تجميع المتوسط العالمي وطبقة كثيفة (3 خلايا عصبية، SoftMax).
3. نموذج القطار:
المحسن: آدم (معدل التعلم = 0.00005).
الفقدان: الفوضى المتقاطعة.
تدرب لمدة 18 حقبة مع توقف مبكر (الصبر = 2).
4. تصور التخرجين وCAM الافتراضي:
احسب تدرجات الفئة المستهدفة.
قم بإنشاء وتركيب خرائط الحرارة على صور الإدخال.

توفر الخوارزمية سير عمل تصنيف صور الموجات فوق الصوتية للثدي باستخدام EfficientNet-B0 وGrad-CAM، بما في ذلك المعالجة المسبقة، والتدريب، والاستدلال على النموذج، بالإضافة إلى خريطة الحرارة القابلة للتفسير للتحقق سريريا.

6. التخرج - CAM كذكاء اصطناعي قابل للتفسير

أداة قوية مستخدمة في الدراسة هي القدرة على إضافة قابلية التفسير إلى نموذج التعلم العميق، وهو تعيين تنشيط الفئات المرجحة بالتدرج. وبالنظر إلى حل للحاجة الملحة الحالية ل XAI في التصوير السريري، تستخدم الطريقة Grad-CAM لتمكين الأطباء من فهم اتخاذ القرار للنموذج بشكل حدسي من خلال خرائط حرارية قابلة للتفسير بصريا حول المناطق الأكثر أهمية في الصورة المستخدمة في التنبؤ بالنموذج. سيكون هذا التقارب في قابلية التفسير أمرا حاسما لبناء الثقة في أنظمة الذكاء الاصطناعي، خاصة الأنظمة ذات المخاطر العالية مثل الرعاية الصحية، حيث تكون المساءلة والشفافية ضرورية. يعرض الشكل 5 خرائط حرارة Grad-CAM التي تبرز مناطق الصورة التي أثرت بشكل أكبر على توقعات النموذج للحالات الحميدة، الخبيثة، والطبيعية.

figure-protocol-19
الشكل 5: خرائط الحرارة لتفعيل GRAD-CAM (GRAD-CAM). (أ) حميدة، (ب) خبيثة، و(ج) الحالات الطبيعية. الألوان الدافئة (الأحمر) تدل على تأثير تشخيصي عالي؛ الألوان الباردة (الأزرق) تشير إلى انخفاض الانتباه. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

تعرض جميع صور Grad-CAM بالإضافة إلى الصورة المدخلة التي تم تزويدها بالنموذج. يعرض الشكل 5 الصورة الأصلية للموجات فوق الصوتية وصورة إدخال النموذج لضمان أن مناطق الانتباه الدقيقة مرتبطة مباشرة بالإدخال المعالج الذي يؤخذ في الاعتبار في التنبؤ. للحصول على أهمية قناة، يستخدم Grad-CAM لحساب تدرجات الفئة المتوقعة باستخدام خرائط الميزات للطبقة الالتفافية النهائية. يتم متوسط هذه التدرجات حول العالم للحصول على معاملات الوزن، ثم تضرب في خرائط الميزات المعنية لإنتاج خريطة حرارية للتوطين (المعادلات 16 و17). ثم يتم رفع خريطة الحرارة إلى دقة الإدخال وتثبيتها على صورة الموجات فوق الصوتية للإشارة إلى مناطق ذات أهمية تشخيصية (مثل هوامش الورم، تغيرات في النسيج، إلخ) في الصورة. يوفر هذا التصور فهما مكانيا للمناطق المستخدمة في التنبؤ بالنموذج. تقيس هذه الورقة قابلية التفسير من خلال التحليل البصري لتحديد موقع الانتباه. لم تتضمن هذه المؤشرات مقاييس كمية للتحديد الموقع والتقييم القائم على الأطباء التي لا تزال مسارات قيمة للتحقق من الأهمية السريرية في المستقبل.

figure-protocol-20      

figure-protocol-21      

يقدم Grad-CAM توقعات حول كيفية عمل النموذج بصريا من خلال تسليط الضوء على مناطق الصورة التي ساهمت في التنبؤ. يمكن استخدام خرائط الحرارة لتأكيد تركيز الشبكة على الهياكل ذات الصلة سريريا التي تشمل هوامش الأورام والأنماط الصوتية. في الإنذارات الكاذبة، يمكن أن تساعد التصورات في ملاحظة التركيز على المناطق غير ذات الصلة، مما يساعد في تقييم النموذج وتحسينه. مثل هذا التوافق بين الميزات الطبية واهتمام النموذج يعزز قابلية تفسير التشخيص بمساعدة الذكاء الاصطناعي. يوضح الشكل 6 تصور GradCAM.

figure-protocol-22
الشكل 6: تصور GradCAM. خريطة الحرارة التجريبية CAM التي تظهر مناطق مهمة (الأحمر = مرتفع، الأزرق = منخفض) للتصنيف؛ تشير شدة الألوان إلى أهمية الميزة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

تمت إضافة Grad-CAM لزيادة قابلية تفسير نموذج EfficientNet-B0 عن طريق إبراز مناطق الصورة التي تساهم بشكل كبير في خيارات التصنيف. تشير الخرائط الحرارية الناتجة إلى هياكل سريرية ذات دلالة لهوامش الورم وتغيرات النسيج، مما يسهل التحليل الواضح لتوقعات النموذج. تجعل هذه الدقة العالية في التصنيف وقابلية التفسير البصري هذا الإطار المقترح أقوى من حيث الموثوقية في تحليل صور الموجات فوق الصوتية للثدي.

7. التحليل الإحصائي

يتم تقييم النموذج بناء على مجموعة كبيرة من المقاييس، مثل الدقة، كمقياس لدقة التنبؤات الإيجابية؛ الاستدعاء، كمقياس لفعالية النموذج في تحديد جميع الحالات ذات الصلة؛ ودرجة F1، المتوسط التوافقي للدقة والاستدعاء، مما يوفر مقياسا متوازنا للأداء الكلي يتم حسابه رياضيا وفقا للمعادلات 18–21.

figure-protocol-23      

figure-protocol-24      

figure-protocol-25      

figure-protocol-26      

يحدد متوسط الخطأ المطلق (MAE) متوسط الفرق المطلق بين التنبؤات والقيم الحقيقية، ويحسب رياضيا وفقا للمعادلة 22.

figure-protocol-27      

يقيس متوسط المربع الجذري (RMSE) متوسط انحراف التنبؤات عن القيم الحقيقية، ويحسب رياضيا وفقا للمعادلة 23.

figure-protocol-28      

متوسط الخطأ المطلق (MAE) يقيس متوسط الفرق المطلق بين التنبؤات والقيم الحقيقية، ويحسب رياضيا وفقا للمعادلة 24.

figure-protocol-29      

تستخدم مصفوفة الالتباس لتقديم تفصيل دقيق للإيجابيات الحقيقية، والسلبية الحقيقية، والإيجابيات الكاذبة، والسلبية الكاذبة حسب الفئة، مما يوفر معلومات إضافية حول كيفية تصنيف النموذجللرقم 30. توفر هذه المقاييس معا تقييما شاملا لخطأ النموذج، وقوته، وتعميمه على البيانات غير المرصودة، مما يجعلها أداة موثوقة لتصنيف صور الموجات فوق الصوتية للثدي. توفر أقنعة الآفات في مجموعة بيانات BUSI تعني أنه في المستقبل، يمكن إدخال تدابير تحديد الموقع الكمي، مثل تقاطع فوق الاتحاد، لتقييم دقيق التفسير بشكل موضوعي. تم اختيار التحقق الطبقي من أجل الحفاظ على الاستقلالية بين المجموعات الفرعية للتدريب والتقييم التي تحتفظ بتوزيع الفئة. كان سبب عدم استخدام التحقق المتقاطع هو منع التعرض المتكرر لعينات التحقق لعملية التحسين، ولكن في الدراسات المستقبلية سيتم استخدام التحقق المتقاطع المتكرر أو المتداخل لتحديد الاختلافات في الأداء بشكل أكبر.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

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

توحيد أبعاد الإدخال إلى 24 × 224 بكسل وتطبيع الأنظمة المعتمدة على ImageNet سهل سلوك تدريب مستقر وتقارب سلس لمنحنيات الفقدان. أدى تطبيق عملية تغطية القناع على عينات التدريب إلى زيادة كبيرة في رؤية حدود الآفات مقارنة بالصور بالموجات فوق الصوتية الخام. دعمت هذه الملاحظة الفرضية القائلة بأن التعزيز الموجه تشريحيا يحسن من قابلية فصل الميزات. بينما استخدمت مرحلة التدريب هذه التراكبات، بقيت مجموعات التحقق والاختبار كعناصر تحكم دون تحسينات للأقنعة؛ أثبت الأداء المتسق عبر هذه المجموعات أن النموذج...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

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

يستخدم الإطار المقترح بنية EfficientNet-B0 مضبوطة بدقة مدمجة مع رسم خرائط تفعيل الفئات المرجحة بالتدرج (Grad-CAM) لتوفير نظام عالي الأداء وقابل للتفسير لتصنيف الموجات فوق الصوتية للثدي. تتقدم هذه الأبحاث في المجال العلمي من خلال سد الفجوة بين نماذج التعلم العميق "الصندوق الأسود" والشفافية السريرية، مما يثبت أن الكفاءة الحاسوبية لا يجب التضحية بها من أجل قابلية التفسير40. من خلال تطبيق معالجة مسبقة واعية للآفات وتعزيز مستهدف، توفر الدراسة منهجية قوية للتعامل مع اخت...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

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

يعلن المؤلفون أنهم لا يملكون تضارب مصالح.

شكر وتقدير

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

يرغب المؤلفون في التعبير عن امتنانهم الصادق لمؤسساتهم وزملائهم على دعمهم المستمر وتشجيعهم طوال هذا البحث. كما يشكر المؤلفون مبتكري مجموعة بيانات الموجات فوق الصوتية للثدي BUSI لتوفير مجموعة البيانات المتاحة للجمهور التي مكنت هذه الدراسة. وقد دعم هذا العمل مشروع دعم الباحثين في جامعة الأميرة نورحبن عبد الرحمن رقم (PNURSP2026R432)، جامعة الأميرة نورة بنت عبد الرحمن، الرياض، المملكة العربية السعودية. يعبر المؤلفون عن تقديرهم لعميد البحث والدراسات العليا في جامعة الملك خالد لتمويلهم هذا العمل من خلال مجموعة كبيرة للبحث تحت رقم المنحة RGP2/749/46.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
صور الموجات فوق الصوتية للثدي (مجموعة BUSI)لا يوجد780 صورة PNG (487 حميدة، 210 خبيثة، 133 طبيعية)
Matplotlibمطورو Matplotlibلا يوجدالإصدار 3.7.1
NumPyمطورو NumPyلا يوجدالإصدار 1.23.5
NVIDIA Tesla T4 GPUNVIDIAلا يوجد16GB VRAM
OpenCVOpenCV.orgلا يوجدالإصدار 4.7.0
Pillow (PIL)مكتبة Python للصورلا يوجدالإصدار 9.4.0
Pythonمؤسسة برمجيات Pythonلا يوجدالإصدار 3.9.12
PyTorchMeta AIلا يوجدالإصدار 2.0.1+cu117
Scikit-learnمطورو Scikit-learnلا يوجدالإصدار 1.2.2
Seabornمطورو Seabornلا يوجدالإصدار 0.12.2
نظام التشغيل UbuntuCanonicalلا يوجد64 بت

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wilkinson, L., Gathani, T. Understanding breast cancer as a global health concern. Br J Radiol. 95 (1130), 20211033(2021).
  2. Ud din, N. M., Dar, R. A., Rasool, M., Assad, A. Breast cancer detection using deep learning: datasets, methods, and challenges ahead. Comput Biol Med. 149, 106073(2022).
  3. Jin, W., Li, X., Fatehi, M., Hamarneh, G. Guidelines and evaluation of clinical explainable AI in medical image analysis. Med Image Anal. 84, 102684(2023).
  4. Ghasemi, A., Hashtarkhani, S., Schwartz, D. L., Shaban-Nejad, A. Explainable artificial intelligence in breast cancer detection and risk prediction: a systematic scoping review. Cancer Innov. 3 (5), (2024).
  5. Sharafaddini, A. M., Esfahani, K. K., Mansouri, N. Deep learning approaches to detect breast cancer: a comprehensive review. Multimedia tools and applications. 84 (21), 24079-24190 (2025).
  6. Singh, V. K., et al. Breast tumor segmentation in ultrasound images using contextual-information-aware deep adversarial learning framework. Expert Systems with Applications. 162, 113870(2020).
  7. Wani, N. A., Kumar, R., Bedi, J. Harnessing fusion modeling for enhanced breast cancer classification through interpretable artificial intelligence and in-depth explanations. Engineering Applications of Artificial Intelligence. 136, 108939(2024).
  8. Kikani, K., Desai, M., Desai, B. Early Detection and Personalized Risk Assessment of Breast Cancer: An Integrative Review and Comparative Evaluation of AI Models Using Clinical and Imaging Data. Archives of Computational Methods in Engineering. , 1-29 (2025).
  9. Singh, R., Gupta, S., Yamsani, N., Manwal, M., Bansal, G. Automated Breast Cancer Classification using a Custom CNN Architecture on the BUSI Dataset. IEEE Xplore. , 1185-1190 (2025).
  10. Ali, A., et al. Exploring AI approaches for breast cancer detection and diagnosis: A review Article. Breast Cancer: Targets and Therapy. , 927-947 (2025).
  11. Sharafaddini, A. M., Esfahani, K. K., Mansouri, N. Deep learning approaches to detect breast cancer: a comprehensive review. Multimed Tools Appl. , (2024).
  12. Sienicki, K. Comment on the paper titled ‘The origin of quantum mechanical statistics: insights from research on human language’. Preprints. , (2024).
  13. Ahn, J. S., et al. Artificial intelligence in breast cancer diagnosis and personalized medicine. Journal of breast cancer. 26 (5), 405(2023).
  14. Qureshi, S. A., et al. Breast cancer detection using mammography: image processing to deep learning. IEEE Access. , (2024).
  15. Dihmani, H., Bousselham, A., Bouattane, O. A new computer-aided diagnosis system for breast cancer detection from thermograms using metaheuristic algorithms and explainable AI. Algorithms. 17 (10), 462(2024).
  16. Nakach, F. Z., Idri, A., Goceri, E. A comprehensive investigation of multimodal deep learning fusion strategies for breast cancer classification. Artif Intell Rev. 57 (12), 327(2024).
  17. Mondol, R. K. Deep learning based prognosis and explainability for breast cancer. , UNSW Sydney. Doctoral dissertation (2025).
  18. Ayana, G., Ryu, J., Choe, S. Ultrasound-responsive nanocarriers for breast cancer chemotherapy. Micromachines. 13 (9), 1508(2022).
  19. Afrin, H., Larson, N. B., Fatemi, M., Alizad, A. Deep Learning in Different Ultrasound Methods for Breast Cancer, from Diagnosis to Prognosis: Current Trends, Challenges, and an Analysis. Cancers. 15 (12), 3139(2023).
  20. Ayana, G., Ryu, J., Choe, S. Ultrasound-responsive nanocarriers for breast cancer chemotherapy. Micromachines. 13 (9), 1508(2022).
  21. Di Paola, V., et al. Beyond N staging in breast cancer: importance of MRI and ultrasound-based imaging. Cancers. 14 (17), 4270(2022).
  22. Sahu, A., Das, P. K., Meher, S. Efficient deep learning scheme for breast cancer detection using mammogram and ultrasound images. Biomed Signal Process Control. 87, 105377(2024).
  23. Rezazadeh, A., Jafarian, Y., Kord, A. Explainable ensemble machine learning for breast cancer diagnosis using ultrasound texture features. Forecasting. 4 (1), 262-274 (2022).
  24. Raza, A., et al. Deep Breast Cancer Net: a novel deep learning model for ultrasound breast cancer detection. Appl Sci. 13 (4), 2082(2023).
  25. Jabeen, K., et al. Breast cancer classification from ultrasound images using optimal deep learning feature fusion. Sensors. 22 (3), 807(2022).
  26. Ayana, G., Park, J., Jeong, J. W., Choe, S. Multistage transfer learning for ultrasound breast cancer image classification. Diagnostics. 12 (1), 135(2022).
  27. Gupta, S., Agrawal, S., Singh, S. K., Kumar, S. Transfer learning-based model for ultrasound breast cancer classification. Comput Vis Bio-Inspired Comput. , 511-523 (2023).
  28. Kratkiewicz, K., Pattyn, A., Alijabbari, N., Mehrmohammadi, M. Ultrasound and photoacoustic imaging of breast cancer: clinical systems and challenges. J Clin Med. 11 (5), 1165(2022).
  29. Al-Dhabyani, W., Gomaa, M., Khaled, H., Fahmy, A. Dataset of breast ultrasound images. Data Brief. 28, 104863(2020).
  30. R, M. T. Enhancing Diagnostic Accuracy in Breast Ultrasound Imaging through Deep Learning and Image Augmentation Techniques. IEEE ICERCS, , 1-6 (2024).
  31. Balasubramaniam, S., Velmurugan, Y., Jaganathan, D., Dhanasekaran, S. A Modified LeNet CNN for Breast Cancer Diagnosis in Ultrasound Images. Diagnostics. 13 (17), 2746(2023).
  32. Atrey, K., Singh, B. K., Bodhey, N. K. Multimodal classification of breast cancer using feature level fusion of mammogram and ultrasound images in machine learning paradigm. Multimedia Tools and Applications. 83 (7), 21347-21368 (2023).
  33. Vigil, N., et al. Dual-Intended Deep Learning Model for Breast Cancer Diagnosis in Ultrasound Imaging. Cancers. 14 (11), 2663(2022).
  34. Uysal, F., Köse, M. M. Classification of Breast Cancer Ultrasound Images with Deep Learning-Based Models. ASEC 2022, , 8(2022).
  35. Boulenger, A., et al. Deep learning-based system for automatic prediction of triple-negative breast cancer from ultrasound images. Medical & Biological Engineering & Computing. 61 (2), 567-578 (2022).
  36. Işık, G., Paçal, İ Few-shot classification of ultrasound breast cancer images using meta-learning algorithms. Neural Computing and Applications. 36 (20), 12047-12059 (2024).
  37. Liu, H., et al. Artificial Intelligence-Based Breast Cancer Diagnosis Using Ultrasound Images and Grid-Based Deep Feature Generator. International Journal of General Medicine. 15, 2271-2282 (2022).
  38. Zourhri, M., et al. Deep Learning Technique for Classification of Breast Cancer using Ultrasound Images. IEEE IRASET, , (2023).
  39. Taleghamar, H., Jalalifar, S. A., Czarnota, G. J., Sadeghi-Naini, A. Deep learning of quantitative ultrasound multi-parametric images at pre-treatment to predict breast cancer response to chemotherapy. Scientific Reports. 12 (1), (2022).
  40. Sharafaddini, A. M., Esfahani, K. K., Mansouri, N. Deep learning approaches to detect breast cancer: a comprehensive review. Multimed Tools Appl. , (2024).
  41. Al-Dhabyani, W., Gomaa, M., Khaled, H., Fahmy, A. Dataset of breast ultrasound images. Data Brief. 28, 104863(2020).
  42. Mondol, S. S., Hasan, M. K. Enhancing B-mode-based breast cancer diagnosis via cross-attention fusion of H-scan and Nakagami imaging with multi-CAM-QUS-Driven XAI. Physics in Medicine & Biology. 70 (17), 175011(2025).
  43. Shifa, N. Explainable breast cancer detection in mammograms using lightweight EfficientNet-B0 with Grad-CAM and LIME. , Qatar University. (2025).
  44. Haghighat, F., Nemati, Z., Rambodrad, A., Negareshifard, P., Jafari, E. Multimodal deep learning and data fusion in precision breast oncology: clinical Applications, fusion Strategies, and future directions. InfoScience Trends. 2 (10), 81-115 (2025).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Ultrasound ImagesDeep LearningEfficientNet B0Data AugmentationGrad CAMLesion DetectionClinical Diagnosis

مقالات ذات صلة