EfficientNetB7-basiertes Deep-Learning-Framework zur erweiterten Klassifikation von histopathologischen Bildern von Lungen- und Darmkrebs

Summary

Hier stellen wir ein Deep-Learning-System mit dem EfficientNetB7-Modell vor, um die genaue Klassifikation histopathologischer Bilder von Lungen- und Darmkrebs zu ermöglichen. Das Modell erreichte 96 % Genauigkeit durch den Einsatz von Vorverarbeitung, Datenaugmentation und Transfer Learning. Die Methode hat große Aussichten zur Unterstützung der klinischen Krebsdiagnose.

Abstract

Die frühzeitige Diagnose von Lungenkrebs spielt eine entscheidende Rolle bei der Verbesserung der Behandlung und dem Überleben der Patienten. Dies bleibt ein Hauptfokus in der klinischen Forschung. Künstliche Intelligenz (KI) hat die Pathologie grundlegend verändert, indem sie die diagnostische Genauigkeit und Effizienz deutlich verbessert hat. Diese Studie präsentiert ein robustes Deep-Learning-Modell in Form des vortrainierten EfficientNetB7-Modells, um histopathologische Bilder von Dickdarm und Lungengewebe mit einer extrem hohen Genauigkeit von 96 % zu klassifizieren. Die Leistung des Modells wurde durch fortschrittliche Vorverarbeitungsmethoden, Feinabstimmung und domänenspezifische Datenerweiterungstechniken optimiert. Diese Strategien helfen, Probleme wie Klassenungleichgewichte und subtile histologische Unterschiede zu reduzieren. Um das Problem des Overfittings zu lösen, wurden mehrere Datenerweiterungstechniken kombiniert und ein Kriterium für frühes Stoppen eingeführt. Dieser Ansatz ermöglichte effiziente und kostengünstige Schulungen. Die robuste Validierung des Modells zeigt einen hohen Nutzen für klinische Anwendungen und ermöglicht es Pathologen, zeitnahe und präzise Diagnosen zu stellen. Die Integration fortschrittlicher Deep-Learning-Modelle in medizinische Bildgebungsabläufe birgt großes Potenzial für eine frühzeitige und genaue Krebsdiagnose und verbessert letztlich die Patientenergebnisse.

Introduction

Lungen- und Darmkrebs gehören in Bezug auf die Sterblichkeit zu den weltweit häufigsten Krebserkrankungen. Lungenkrebs ist die führende tödliche Krebsart mit über 1,8 Millionen Todesfällen pro Jahr, gefolgt von Darmkrebs als dritthäufigste Malignität und zweithäufigste Ursache der Krebssterblichkeit, basierend auf globalen Gesundheitsstatistiken. Eine genaue und frühzeitige Diagnose ist entscheidend für eine wirksame Behandlung und ein verbessertes Überleben dieser Krebsarten. Die histopathologische Untersuchung oder mikroskopische Untersuchung von Gewebeproben durch Pathologen bleibt eine der häufigsten Methoden zur Krebserkennung

Protocol

Diese Studie beinhaltete keine direkten Experimente an menschlichen Teilnehmern oder Tieren. Alle Arbeiten wurden mit dem öffentlich verfügbaren, anonymisierten LC25000 Datensatz histopathologischer Bilder durchgeführt, der keine identifizierbaren Patienteninformationen oder direkten Umgang mit menschlichem Gewebe enthielt. Eine Genehmigung des Institutional Review Board (IRB) oder des Institutional Animal Care and Use Committee (IACUC) war nicht erforderlich. Alle Verfahren entsprachen ethischen Standards und hielten sich an die Nutzungsbedingungen des Datensatzes für akademische Forschung. Abbildung 2 z....

Results

Abbildung 4 zeigt das Training und die Validierung der Genauigkeit. Abbildung 5 zeigt den Trainings- und Validierungsverlust.

Abbildung 4: Trainings- und Validierungsgenauigkeit über Epochen. Diese Abbildung zeigt den Fortschritt.......

Discussion

Bei der kritischen Überprüfung falsch gekennzeichneter Instanzen unter der EfficientNetB7-Deep-Learning-Architektur wird eine kritische Prüfung bei Instanzen durchgeführt, bei denen die Modellvorhersagen nicht mit den echten Labels im Validierungsdatensatz übereinstimmen. Kritische Analyse ist von äußerster Bedeutung bei der Analyse bestimmter Klassifikationsfehler, insbesondere wenn das Modell verschiedene histopathologische Merkmale von Lungen- und Darmgewebe falsch klassifiziert

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (CUDA)	NVIDIA	CUDA Version 11.0	GPU-Beschleunigung für Modelltraining und -bewertung.
Kaggle-Plattform	Google	N/A	Cloudbasiertes Notizbuch zur Entwicklung von Machine-Learning-Modellen
Keras	TensorFlow (Google)	Version 2.6.0	Deep-Learning-API, die auf TensorFlow läuft.
LC25000	Borkowski AA, Bui MM, Thomas LB, Wilson CP, DeLand LA, Mastorides SM. Lungen- und Darmkrebs-Histopathologischer Bilddatensatz (LC25000)	N/A	Dieser Datensatz enthält 25.000 histopathologische Bilder mit 5 Klassen. Alle Bilder sind 768 x 768 Pixel groß und im JPEG-Dateiformat.
Matplotlib	Python Software Foundation	Version 3.5.0	Visualisierungsbibliothek zum Plotten von Ergebnissen.
NumPy	Python Software Foundation	Version 1.19.5	Numerische Computerbibliothek.
OpenCV	Open Source	Version 4.5.4	Bildverarbeitung und Computer-Vision-Bibliothek.
Pandas	Python Software Foundation	Version 1.3.4	Werkzeug zur Datenanalyse und -manipulation.
Python (Anaconda-Distribution)	Anaconda Inc	Version 3.7.12	Enthält vorinstallierte Pakete und Umgebungsmanagement-Tools.
Scikit-learn	Python Software Foundation	Version 0.23.2	Werkzeuge für maschinelles Lernen zur Leistungsbewertung.
TensorFlow	Google	Version 2.6.2	Deep-Learning-Framework für Diffusionsmodelle.