Forschungsartikel

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

DOI:

10.3791/68812

⸱

6. Februar 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

Korrespondierende Autoren: T. R. Mahesh <trmahesh.1978@gmail.com>

In diesem Artikel

Zusammenfassung

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

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.

Zusammenfassung

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

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.

Einleitung

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

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 Krebserkennung1. Abbildung 1 zeigt die histopathologischen Stichproben verschiedener Lungen- und Darmgewebetypen2.

figure-introduction-1
Abbildung 1: Beispielbilder aus dem Datensatz. Diese Abbildung zeigt repräsentative Beispiele aus jeder Klasse im LC25000-Datensatz und hebt die visuelle Vielfalt zwischen gutartigen und bösartigen Lungen- und Dickdarmgewebebildern hervor. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Die digitale Pathologie hat die Branche transformiert, indem sie es ermöglicht, Histologie-Slides zu digitalisieren, die nun mit ausgeklügelten Deep-Learning-Algorithmen diagnostiziert werden. In Kombination mit Deep-Learning-Modellen sind Algorithmen hervorragend darin, subtile Muster in großen Daten zu erkennen, was die Genauigkeit und Effizienz der Diagnose erheblich steigert. Tabelle 1 zeigt die Beschreibung jeder Gewebeklasse.

KlassenbezeichnungBeschreibung
Lungengutartiges GewebeNicht-krebsartiges Gewebe in der Lunge, nicht am krebsartigen Wachstum beteiligt.
LungenadenokarzinomEine Art Lungenkrebs, der aus drüsenepitihelialem Gewebe entsteht und für seine bösartigen Wachstumsmuster bekannt ist.
LungenplattenepithelkarzinomEine Art von Lungenkrebs, die sich durch eine bestimmte zelluläre Morphologie auszeichnet, die von den Plattenepithelzellen in den Atemwegen entsteht.
DarmadenokarzinomDie meisten Fälle von Darmkrebs werden durch eine häufige Art von Darmkrebs verursacht, die in den Drüsenzellen der Darmschleimhaut beginnt.
Darm-Benignes GewebeGesundes Gewebe im Dickdarm, das keine Anzeichen von krebsartigen oder vorstufenartigen Erkrankungen zeigt.

Tabelle 1: Ein Überblick über die fünf Gewebe- und Krebsklassen im Datensatz, einschließlich Klassennamen, Merkmale und der Anzahl der Bilder in jeder Klasse.

EfficientNetB7, eine hochmoderne konvolutionelle neuronale Netzwerkarchitektur, wurde aufgrund seiner ausgewogenen Skalierung in Tiefe, Breite und Auflösung als besonders effektiv für Bildklassifikationsaufgaben identifiziert. Im Vergleich zu weit verbreiteten Architekturen wie ResNet und DenseNet erreicht EfficientNetB7 durch Compound Scaling ein überlegenes Gleichgewicht zwischen Klassifikationsgenauigkeit und Recheneffizienz, das Netzwerktiefe, Breite und Auflösung proportional skaliert. Obwohl ResNet und DenseNet eine robuste Leistung bei medizinischen Bildklassifikationsaufgaben gezeigt haben, benötigen sie typischerweise eine höhere Anzahl von Parametern und größere Rechenressourcen, um eine vergleichbare Genauigkeit zu erreichen, was EfficientNetB7 für groß angelegte histopathologische Analysen in ressourcenbegrenzten klinischen Umgebungen besser geeignet macht4. Die Anwendung fortschrittlicher rechnergestützter Modelle, einschließlich KI-Tools wie EfficientNetB7, bietet neue Möglichkeiten, traditionelle diagnostische Herausforderungen zu überwinden, indem sie Werkzeuge bereitstellt, die Pathologen unterstützen und potenziell die diagnostischen Ergebnisse verbessern. Die Integration von KI in die pathologische Praxis könnte den Zugang zu hochwertigen diagnostischen Diensten demokratisieren und es Regionen mit begrenzter medizinischer Expertise ermöglichen, fortgeschrittene Diagnostik durchzuführen.

Jüngste Benchmark-Studien und umfassende Übersichten in der medizinischen Bildanalyse haben konsequent die wachsende Wirkung von Deep-Learning-Architekturen in der Histopathologiebetont. Groß angelegte Analysen haben gezeigt, dass konvolutionelle neuronale Netze und ihre modernen Varianten eine Spitzenleistung bei der Identifizierung subtiler morphologischer Merkmale über mehrere Gewebetypen hinweg bieten und oft traditionelle diagnostische Methoden übertreffen. Vergleichende Bewertungen zeigen, dass fortschrittliche Architekturen, einschließlich EfficientNet und anderer skalierbarer Modelle, nicht nur eine überlegene Klassifikationsgenauigkeit erreichen, sondern auch eine verbesserte Recheneffizienzzeigen 6. Darüber hinaus unterstreichen systematische Übersichtsartikel der digitalen Pathologie ihre transformative Rolle in routinemäßigen Diagnosen, indem sie Reproduzierbarkeit ermöglichen, die Inter-Beobachter-Variabilität reduzieren und die Integration mit automatisierten Pipelines ermöglichen. Diese gesammelten Ergebnisse bestätigen die Relevanz fortschrittlicher Deep-Learning-Modelle für die histopathologische Krebsklassifikation und liefern starke Belege dafür, dass der Einsatz skalierbarer und effizienter Architekturen klinische Herausforderungen wie Klassenungleichgewichte, histologische Variabilität und begrenzte Verfügbarkeit von erfahrenen Pathologen adressieren kann.

Die Ziele dieser Forschung sind (i) die Erstellung und Bewertung eines Deep-Learning-Modells zur Kategorisierung von histopathologischen Bildern von Lungen- und Darmkrebs basierend auf der EfficientNetB7-Architektur; (ii) Demonstration der Fähigkeit des Modells, eine hohe Klassifikationsgenauigkeit zu erreichen, die möglicherweise traditionelle diagnostische Methoden übertrifft; (iii) Untersuchung der Auswirkungen von Datenaugmentation, Vorverarbeitungstechniken und Transfer Learning auf die Modellleistung in einem domänenspezifischen Kontext.

Diese Studie zeigt nicht nur die hohe diagnostische Genauigkeit, die mit EfficientNetB7 auf histopathologischen Bildern erreichbar ist, sondern behandelt auch gezielt zentrale Herausforderungen wie Klassenungleichgewicht und Overfitting durch gezielte Datenaugmentation, robuste Validierungsstrategien und frühzeitige Stopptechniken. Die Methodik ist speziell darauf ausgelegt, reale klinische Umgebungen widerzuspiegeln, indem großflächige, erweiterte Datensätze verwendet und die Leistung des Modells anhand klinisch relevanter Kennzahlen bewertet wird. Die Automatisierung und Effizienz des Workflows stellen sicher, dass das System für die Integration in digitale Pathologielabore praktisch ist, was das Potenzial bietet, die Produktivität der Pathologen zu steigern, die diagnostische Konsistenz zu erhöhen und einen breiteren Zugang zu Expertenanalysen sowohl in ressourcenstarken als auch ressourcenbegrenzten klinischen Umgebungen zu ermöglichen.

Trotz bemerkenswerter Fortschritte im Deep Learning für medizinische Bildgebung bleiben bei der Klassifikation histopathologischer Bilder von Lungen- und Darmkrebs mehrere Herausforderungenbestehen 7. Aktuelle Modelle neigen dazu, mit dem Klassenungleichgewicht umzugehen, wobei einige Krebsarten in Datensätzen unterrepräsentiert sein und verzerrte Vorhersagen liefern können. Darüber hinaus stellen subtile histologische Unterschiede zwischen Krebssubtypen wie Adenokarzinom und Plattenepithelkarzinom der Lunge eine gewaltige Herausforderung für eine korrekte Klassifizierung dar. Die meisten bisherigen Arbeiten wurden zur Einzel-Krebs-Klassifikation oder mit begrenzten kleinen Datensätzen durchgeführt, was eine breite Anwendbarkeit und Nützlichkeit im klinischen Umfeld ausschließt. Traditionelle Ansätze sind zudem weniger recheneffizient und daher weniger wünschenswert für große Daten- oder Echtzeitklinische Anwendungen8.

Die vorliegende Studie überbrückt diese Lücken, indem sie die EfficientNetB7-Architektur nutzt, ein hochmodernes Deep-Learning-Modell mit nachgewiesener Skalierbarkeit und Effektivität. Zufällige Zooms, Flips, Rotationen und Shifts werden als fortschrittliche Methoden zur Datenerweiterung eingesetzt, um die Robustheit und Generalisierungsfähigkeit des Modells über verschiedene histopathologische Muster hinweg zu maximieren. Transfer Learning wird auch verwendet, um das vortrainierte EfficientNetB7-Modell so zu feinjustieren, dass es in der Lage ist, auf eine Weise zu lernen und sich anzupassen, die spezifisch für Datensätze zu Lungen- und Darmkrebs ist und Trainingszeit sowie Rechenaufwand minimiert9. Der Einsatz von Global Average Pooling und Early Stopping verbessert zudem die Leistung des Modells, um ein gutes Training zu gewährleisten und Überanpassungen zu vermeiden.

Die Anwendung von Deep Learning in der medizinischen Bildgebung, insbesondere bei der Krebsdiagnose, hat in den letzten Jahren enorme Fortschritte gemacht. Die konventionelle Diagnose von Lungen- und Darmkrebs basiert hauptsächlich auf der histopathologischen Untersuchung, bei der Pathologen Gewebeproben unter dem Mikroskopuntersuchen. Obwohl effektiv, ist sie arbeitsintensiv, offen für Variabilität zwischen Beobachtern und meist durch das begrenzte Angebot an erfahrenen Pathologen, insbesondere in ressourcenschwachen Umgebungen, eingeschränkt. Diese Einschränkungen haben zur Entwicklung computergestützter KI- und Deep-Learning-basierter Diagnosesysteme geführt.

Deep-Learning-Modelle, insbesondere konvolutionale neuronale Netzwerke (CNNs), waren beeindruckend erfolgreich bei der Bildanalyse histopathologischer Proben11. Sie sind besonders gut darin, komplexe Muster und subtile Variationen der Gewebemorphologie zu erkennen – Aufgaben, die sich für die Krebsklassifikation eignen. Trotz der Fortschritte bestehen weiterhin Mängel wie ein Klassenungleichgewicht, begrenzte Verallgemeinerungen gegenüber Szenarien mit mehreren Datensätzen und hohe Rechenkosten in den aktuellen Ansätzen. Zum Beispiel behandelt der Großteil der Arbeit die Einzelkrebsklassifikation, die ihre Anwendung auf Szenarien mit mehreren Krebserkrankungen beschränkt. Außerdem machen schlechte Vorverarbeitungs- und Datenergänzungstechniken es anfällig für Überanpassung, insbesondere in kleinen oder unausgewogenen Datensatzszenarien.

Jüngste Entwicklungen im Transfer Learning haben diese Einschränkungen teilweise überwunden, indem sie auf vortrainierten Modellen auf groß angelegten Datensätzen wie ImageNet genutzt wurden. EfficientNet, ResNet und DenseNet sind einige Modelle, die in der medizinischen Bildanalyse Aufmerksamkeit erregt haben, da sie hochrangige Funktionen aus begrenztenTrainingsdaten lernen können. EfficientNet hat auch eine breite Verbreitung aufgrund seiner Skalierbarkeit und Effizienz erfahren, da es bei mehreren Bildklassifikationsbenchmarks eine Spitzengenauigkeit erreicht. Die Anwendung von EfficientNet bei der Klassifikation kombinierter Lungen- und Darmkrebs ist nicht umfassend untersucht, insbesondere im Hinblick auf den Umgang mit Klassenungleichgewichten und subtilen histologischen Variationen13.

Datenaugmentation war eine entscheidende Strategie zur Modellrobustheit und zur Verbesserung der Verallgemeinerung14. Durch die Einbeziehung von Variationen wie Rotation, Verschiebung, Zoomen und Umdrehen simulieren Datenaugmentationstechniken die Variabilität, die in tatsächlichen histopathologischen Bildern existiert, sodass Modelle invariante Merkmale lernen können. Frühzeitige Stopp- und Regularisierungstechniken verbessern die Modellleistung weiter, indem Überanpassungen vermieden und die Trainingseffizienz maximiert werden. Trotz all dieser Fortschritte besteht weiterhin Bedarf an End-to-End-Frameworks, die fortschrittliche Vorverarbeitung, Augmentation und Transfer Learning integrieren, um hohe Genauigkeit und Recheneffizienz für die Klassifikation von Multi-Krebserkrankungen zu erreichen. Tabelle 2 15,16,17,18,19,20,21,22,23,24 zeigt die Literatur der Studie aus der bestehenden Literatur.

StudiumZiel
Talukder, M. A. et al.15 (2022)Stellen Sie ein hybrides Ensemble-Merkmalsextraktionsmodell vor, das Deep Learning und maschinelles Lernen kombiniert, um Darm- und Lungenkrebs zu identifizieren.
Attallah, O. et al.16 (2022)Bereitstellen Sie ein Lowweight-Deep-Learning-Framework, das verschiedene Modelle und Transformationstechniken kombiniert, um Lungen- und Darmkrebs frühzeitig zu erkennen.
Hage Chehade, A. et al.17 (2022)Entwickeln Sie ein computergestütztes, maschinelles Lernsystem, das verschiedene Arten von Lungen- und Darmgewebe identifizieren kann.
Wahid, R. R. et al.18 (2023)Verwenden Sie ein computergestütztes Diagnosesystem mit CNNs, um Lungen- und Darmkrebs zu erkennen.
Kumar, N. et al.19 (2022)Vergleichen und kontrastieren Sie die Techniken zur Extraktion des Merkmals, die zur Kategorisierung von Darm- und Lungenkrebs verwendet werden.
Mehmood, S. et al.20 (2022)Erstellen Sie ein vortrainiertes neuronales Netzwerk mit modifizierten Schichten Diagnosemodell für Lungen- und Darmkrebs, das sowohl genau als auch effizient ist.
Zhou, L. et al.21 (2024)Vorhersagen neuer Ziele für Wogonin (WOG) bei der Behandlung von Lungen-, Blasen- und Darmkrebs mit bioinformatischen Methoden.
Reddy, K. R. et al.22 (2022)Bereitstellung einer hybriden Methode zur Extraktion von Ensemblemerkmalen auf Basis von maschinellem Lernen für die Erkennung von Darmkrebs (LCC).
Shandilya, S., Nayak, S. R.23 (2022)CNNs und das Design von Visionstransformatoren helfen bei der Klassifizierung von histopathologischen Bildern von Lungen- und Darmkrebs.
Hasan, M. et al.24 (2023)Mit vielen CNN-Modellen werden Bilder von Lungen- und Darmkrebs klassifiziert, um die Diagnoseverfahren zu verbessern.

Tabelle 2: Ein Vergleich relevanter früherer Studien zur histopathologischen Bildklassifikation, detailliert verwendete Datensätze, Modelltypen und berichtete Ergebnisse.

Dieses Papier baut auf diesen Beiträgen auf, indem es ein Deep-Learning-Modell mit der EfficientNetB7-Architektur einsetzt, ergänzt durch modernste Datenaugmentation und Transfer Learning. Die aktuelle Lösung übertrifft die Schwächen früherer Lösungen durch verbesserte Klassifikationsgenauigkeit, Klassengleichgewicht und geringere Rechenkosten, weshalb sie eine optimale Lösung für den klinischen Einsatz darstellt.

Protokoll

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

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 zeigt die Schritte des Workflow-Diagramms.

figure-protocol-1
Abbildung 2: Arbeitsablauf der vorgeschlagenen Methode. Der Workflow umfasst Datenvorverarbeitung, Erweiterung, Modelltraining und Evaluation. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Datensatzbeschreibung
Der LC25000 Datensatz wurde für diese Studie verwendet. Es bestand aus 25.000 histopathologischen Bildern, die alle einheitlich als JPEG-Dateien mit einer Auflösung von 768 × 768 Pixel formatiert waren. Der Datensatz basiert auf einem ersten Set von 1.250 Originalbildern, darunter 250 gutartige Lungengewebeaufnahmen, 250 Adenokarzinome der Lunge, 250 Plattenepithelkarzinome, 250 gutartige Darmgewebeabbildungen und 250 Darmadenokarzinome. Die übrigen Bilder wurden durch Datenerweiterung generiert, um den Datensatz zu erweitern und so eine vielfältige und umfangreiche Sammlung für robustes Modelltraining und -validierung sicherzustellen.

Die hochauflösenden Bilder ermöglichten eine detaillierte Untersuchung der Zellstrukturen, was für eine genaue Krebsklassifikation unerlässlich war. Eine Datenerweiterung war aufgrund der begrenzten Anzahl an Originalbildern notwendig; Techniken wie Rotationen, Flips, Zooms und Shifts wurden eingesetzt, um die Datensatzgröße und -vielfalt synthetisch zu erhöhen. Dieser Prozess erzeugte weitere 23.750 synthetische Bilder auf klassenbalancierte Weise, was zu einem endgültigen Datensatz von 25.000 Bildern führte, wobei jede Klasse 5.000 Bilder nach der Augmentation enthält.

Datenvorverarbeitung
Die histopathologischen Rohbilder im Datensatz hatten eine Auflösung von 768 × 768 Pixeln. Um die Kompatibilität mit der EfficientNetB7-Architektur zu gewährleisten und die Recheneffizienz zu maximieren, wurde jedes Bild von 768 × 768 auf 224 × 224 Pixel verkleinert. Dieser Größenanpassungsprozess stellte einen Kompromiss zwischen dem Erhalt wesentlicher histologischer Merkmale und der Reduzierung des Rechenaufwands dar. Die Größenänderungsoperation wurde mathematisch dargestellt, wie in

Gleichung 1: figure-protocol-2 (1)

wobei X das ursprüngliche Bild bezeichnete, Xin der Größe das verkleinerte Bild, und h und w jeweils die gewünschte Höhe und Breite darstellten. Alle Pixelwerte wurden auf einen Bereich von 0 bis 1 normalisiert, was das Training stabilisierte und beschleunigte, indem eine konsistente Eingabeverteilung über die Bilder sichergestellt wurde. Diese Normalisierung wurde mathematisch berechnet, wie in Gleichung 2 gezeigt. Dieser Schritt war entscheidend, um die Modellkonvergenz während des Trainings zu verbessern.

figure-protocol-3(2)

Datenaugmentation wurde als kritische Technik eingesetzt, um die Robustheit und Anwendbarkeit von Deep-Learning-Modellen zu verbessern, insbesondere im Kontext der medizinischen Bildgebung mit begrenzten und unausgewogenen Datensätzen. In dieser Studie wurden verschiedene Augmentationstechniken mit dem ImageDataGenerator-Modul von TensorFlow angewendet, um in vivo Variation histopathologischer Bilder zu simulieren. Diese Techniken umfassten zufällige Drehungen von bis zu 20 Grad, um die Variabilität der Gewebeorientierung zu simulieren, horizontale und vertikale Verschiebungen bis zu 20 % der Bilddimensionen, um die Positionsvariabilität während der Objektträgervorbereitung nachzuahmen, sowie zufällige Zooms von bis zu 20 %, um die Vergrößerungsstufen widerzuspiegeln.

Zusätzlich wurde horizontales Flipping durchgeführt, um Spiegelbildvariationen einzuführen und so den Trainingsdatensatz weiter zu bereichern. Um neu synthetisierte Pixel während dieser Transformationen zu verwalten, wurde eine Strategie des nächstgelegenen Nachbarn-Füllens gewählt, um reibungslose Übergänge zu gewährleisten und die Integrität wichtiger histologischer Merkmale zu bewahren. Die für die Erweiterung verwendete 2D-Rotationsmatrix wird in Gleichung 3 dargestellt, und Gleichung 4 definiert eine Funktion mit einer inkrementellen Änderung:

figure-protocol-4(3)

figure-protocol-5(4)

Diese Augmentationstechniken kompensierten Herausforderungen wie Klassenungleichgewicht, leichte histologische Variationen und Datensatzbeschränkungen, indem sie es dem Modell ermöglichten, invariante Merkmale zu lernen und das Risiko von Überanpassungen zu verringern. Durch die synthetische Erweiterung des Datensatzes und die Einbeziehung kontrollierter Variabilität verbesserte die Datenaugmentation die Fähigkeit des Modells, auf neue, unsichtbare Daten zu verallgemeinern, erheblich und schaffte so ein stärkeres und robusteres System für den klinischen Einsatz bei der Diagnose von Lungen- und Darmkrebs.

Modellarchitektur
Das Modell wurde auf Basis der EfficientNetB7-Architektur entwickelt, einem hochmodernen Deep-Learning-Netzwerk, das für seine Leistung, Skalierbarkeit und Effektivität bei Bildklassifikationsaufgaben bekannt ist. EfficientNetB7 wurde mit einer Reihe von Mobile Inverted Bottleneck Convolution (MBConv)-Blöcken konstruiert, die tiefenseparable Faltungen integrierten. Dieses strukturelle Design komprimierte das Modell effektiv, was zu erheblichen Reduktionen der Anzahl der Parameter bei minimalem Leistungsverlust führte. Diese Innovation ermöglichte es dem Modell, hohe Genauigkeit bei geringeren Rechenkosten zu erreichen, was es besonders für rechnerintensive Anwendungen wie histopathologische Bildanalyse geeignet machte. Abbildung 3 zeigt die Modellarchitektur des vortrainierten EfficientNetB7.

figure-protocol-6
Abbildung 3: Modellarchitektur von EfficientNetB7. Diese Abbildung zeigt die detaillierte Struktur des EfficientNetB7-Modells und veranschaulicht seine Hauptschichten und funktionalen Blöcke, die für die Bildklassifikation verwendet werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Das Modell akzeptierte vorverarbeitete histopathologische Bilder, die von ihren ursprünglichen Abmessungen von 768 × 768 Pixel auf 224 × 224 Pixel verkleinert worden waren, um den Eingabeanforderungen von EfficientNetB7 gerecht zu werden. Jedes Bild durchlief mehrere Prozesse im Netzwerk, darunter Batch-Normalisierung, Swish-Aktivierungsfunktionen und Faltungsoperationen. Die Batch-Normalisierung wurde wie in Gleichung 5 gezeigt berechnet. Die Swish-Aktivierungsfunktion führte zu Nichtlinearität und ermöglichte ein schnelleres und effizienteres Training im Vergleich zu herkömmlichen Funktionen wie ReLU. Diese Schichten wurden entwickelt, um hierarchische Merkmale zu extrahieren und zu verbessern, sodass das Modell schrittweise von niedrigen zu höheren Mustern lernen konnte, während die Bilder im Netzwerk verbreitet wurden.

figure-protocol-7(5)

Das Faltungsrückgrat von EfficientNetB7, das auf dem ImageNet-Datensatz vortrainiert wurde, bot einen hochgradig verallgemeinerbaren Satz von Merkmaldetektoren, die über eine breite Palette von Bilddomänen hinweg wirksam waren. Die vortrainierte Basis spielte eine Schlüsselrolle bei der Erfassung subtiler, aber informativer Muster in histopathologischen Bildern, die oft durch hohe Variabilität innerhalb der Klassen und feinkörnige Merkmale gekennzeichnet sind. Die Ausgabe der Faltungsschichten wurde an eine globale Durchschnittspooling-Schicht weitergeleitet, die die räumlichen Dimensionen auf einen einzelnen Merkmalsvektor für jedes Bild reduzierte. Dieser Vektor, der die relevantesten Merkmale der Faltungsschichten einkapselt, wurde dann zu einem eindimensionalen Array abgeflacht, um mit vollständig zusammenhängenden Schichten kompatibel zu sein. Der Algorithmus zur verbesserten Erkennung von Lungen- und Darmkrebs ist in Supplementary File 1 bereitgestellt.

Die anschließende Netzwerkarchitektur umfasste zwei dichte (vollständig verbundene) Schichten mit jeweils 128 bzw. 64 Einheiten. Beide Schichten nutzten die Aktivierungsfunktion der Rectified Linear Unit (ReLU), um zusätzliche Nichtlinearität einzuführen und die extrahierten Merkmale feinabzustimmen, sodass das Modell präzisere Muster und Beziehungen innerhalb der Daten erkennen konnte. Die letzte Schicht des Modells war eine SoftMax-Ausgabeschicht mit fünf Neuronen, die jeweils eine der fünf Klassen im Datensatz repräsentierten. Die SoftMax-Funktion erzeugte eine Wahrscheinlichkeitsverteilung über die Klassen, die die Vorhersage des Modells für jedes Eingabebild widerspiegelte, wie in Gleichung 6 beschrieben:

figure-protocol-8(6)

Die Kombination aus modernsten Faltungstechniken, robuster Regularisierung und effektiven Optimierungsstrategien führte zu einem Deep-Learning-Modell, das sich hervorragend für die Klassifikation von hochrisikoreichen medizinischen Bilden eignet. Das Modell erreichte Präzision, Skalierbarkeit und operative Effizienz und zeigte ein starkes Potenzial für die klinische Anwendung bei der Diagnose von Lungen- und Darmkrebs. Innerhalb dieses Rahmens wurde die Regularisierung hauptsächlich durch fortschrittliche Datenerweiterung und den Einsatz von frühzeitigem Stopping erreicht; Es wurde kein expliziter Dropout oder Gewichtsabfall auf die dichten Schichten angewendet.

Schulung und Validierung
Die Validierungs- und Vortrainingspipeline des Convolutional Neural Network (CNN) für LC25000 histopathologische Bildklassifikation wurde entwickelt, um die Modellleistung zu optimieren und eine gute Verallgemeinerung sicherzustellen. Die Pipeline begann mit einer umfassenden Vorverarbeitung, die die Reduzierung der ursprünglichen 768 × 768-Pixel-Bilder auf 224 × 224 Pixel umfasste, um den Eingabeanforderungen der EfficientNetB7-Architektur gerecht zu werden. Die Pixelintensitäten wurden auf den Bereich [0, 1] normalisiert, um das Training zu stabilisieren und zu beschleunigen, und Datenerweiterungstechniken, einschließlich zufälliger Rotationen, Verschiebungen, Zooms und horizontaler Flips, wurden angewandt, um Variabilität einzuführen und Überanpassung zu mindern. Diese Vorverarbeitungsoperationen stellten sicher, dass das Modell invariante Merkmale lernte und gut auf neue Daten verallgemeinerte.

Das EfficientNetB7-Modell, das auf dem ImageNet-Datensatz vortrainiert wurde, wurde als Basis verwendet und bot einen robusten Merkmalsdetektor, der in der Lage ist, subtile histologische Muster zu erkennen. Das Modell wurde anschließend mit zwei dichten Schichten (128 und 64 Einheiten) feinabgestimmt, die durch die Funktion Rectified Linear Unit (ReLU) aktiviert wurden, gefolgt von einer SoftMax-Ausgangsschicht für die Fünf-Klassen-Klassifikation. Diese Architektur war sowohl auf Präzision als auch auf Recheneffizienz optimiert und eignete sich daher gut für medizinische Bildanalyse. Die Adam-Optimierer-Aktualisierungsregel für θ ist in Gleichung 7 dargestellt.

figure-protocol-9(7)

Modelltraining wurde in Chargen von 128 Bildern mit dem Adam-Optimierer durchgeführt, der die Lernrate adaptiv skalierte, um eine effektive Konvergenz zu fördern. Ein frühes Stoppkriterium wurde eingeführt, um Validierungsverluste zu überwachen und das Training zu stoppen, falls keine Verbesserung festgestellt wurde, um Überanpassungen zu verhindern und die Reiknerressourcen zu optimieren. Während des gesamten Trainings wurden wichtige Leistungskennzahlen – darunter Genauigkeit, Verlust, Präzision und Rückruf – mithilfe eines Hold-out-Validierungssets erfasst, das 20 % der Daten umfasste. Das Hold-out-Set lieferte wichtige Einblicke in die Verallgemeinerungsfähigkeiten des Modells und minderte das Risiko einer Überanpassung auf unsichtbare Daten.

Die Integration fortschrittlicher Vorverarbeitungs-, Datenerweiterungs- und Optimierungsstrategien führte zu hervorragender Modellgenauigkeit und Robustheit und zeigte ein starkes klinisches Anwendungspotenzial bei der Erkennung von Lungen- und Darmkrebs. Alle Experimente wurden auf einer NVIDIA Tesla P100 GPU mit 16 GB Speicher und 64 GB Systemspeicher durchgeführt. Die gesamte Trainingspipeline – einschließlich Vorverarbeitung, Augmentation und Modelloptimierung – erforderte etwa drei Stunden, um zehn Epochen mit einer Batchgröße von 128 Epochen abzuschließen. Diese rechnergestützte Infrastruktur wurde ausgewählt, um den großen, erweiterten Datensatz effizient zu verwalten und gleichzeitig angemessene Trainingszeiten einzuhalten, die für klinische Forschungsumgebungen geeignet sind.

Zur Reproduzierbarkeit wurden alle kritischen Hyperparameter explizit angegeben. Das Modell wurde mit dem Adam-Optimierer trainiert, mit einer konstanten Lernrate von 0,001. Die Ausbildung wurde maximal über 10 Epochen durchgeführt, wobei frühzeitige Stopps aufgrund von Validierungsverlust und einer Geduld von drei Epochen zur Verhinderung von Überanpassungen durchgeführt wurden. Eine Batchgröße von 128 Personen wurde sowohl für die Trainings- als auch für die Validierungsphase genutzt. Um konsistente Ergebnisse zu gewährleisten, wurde der zufällige Seed in allen Phasen des Datenladens und des Modelltrainings auf 42 gesetzt. Während der Ausbildung wurde kein Lernraten-Abfallplan angewendet.

Das Protokoll kombinierte systematische Vorverarbeitung, gut kalibrierte Hyperparameter, rigorose Validierungsschemata und eine offene Rechenumgebung, um sowohl Genauigkeit als auch Reproduzierbarkeit zu fördern. Der Workflow schuf durch die Integration robuster Deep-Learning-Architektur, effektive Optimierung und reproduzierbares experimentelles Design eine solide Grundlage für die histopathologische Bildklassifikation. Neben dem Nachweis einer starken Leistung bei der Erkennung von Lungen- und Darmkrebs definierte das Protokoll einen skalierbaren Rahmen, der in zukünftigen Forschungen auf ähnliche biomedizinische Bildgebende Herausforderungen ausgeweitet werden kann.

Während der Modellentwicklung wurden mehrere praktische Anpassungen umgesetzt, um zuverlässige und reproduzierbare Ergebnisse zu erzielen. Frühes Stoppen und fortschrittliche Datenaugmentation wurden eingesetzt, um ein Klassenungleichgewicht und Überanpassung zu beheben. Der hohe Speicherverbrauch während des Trainings wurde durch die Größe der Bilder auf 224 × 224 Pixel und die Verwendung einer Batchgröße von 128 Pixel gemildert. Bei langsamer Konvergenz wurde die Lernrate empirisch auf 0,001 gesetzt. Eine manuelle Überprüfung der Bildverzeichnisstruktur wurde durchgeführt, um Datenladefehler zu vermeiden, und zufällige Seeds wurden korrigiert, um die Reproduzierbarkeit zu gewährleisten. Diese Strategien können als praktische Orientierung für Forscher dienen, die ähnlichen Herausforderungen beim Training von Deep-Learning-Modellen mit großen histopathologischen Bilddatensätzen gegenüberstehen.

Statistische Analyse
Die statistische Modellierung der Modellleistung erfolgte mit einem umfassenden Set von Kennzahlen, um Genauigkeit, Stabilität und Generalisierbarkeit zu bewerten. Wichtige Bewertungsmaße umfassten Präzision, Rückruf, F1-Wert und Genauigkeit zur Quantifizierung der Klassifikationsleistung. Die Verwirrungsmatrix wurde verwendet, um klassenspezifische Fehlermetriken zu berichten, die gemäß den Gleichungen 8-10 berechnet wurden:

figure-protocol-10(8)

figure-protocol-11(9)

figure-protocol-12(10)

Zusätzlich wurden Fehlermaße wie Mean Squared Error (MSE), Root Mean Squared Error (RMSE) und Average Absolute Error (MAE) zur Bewertung der Vorhersagegenauigkeit ausgewertet, berechnet mit den Gleichungen 11-13:

figure-protocol-13(11)

figure-protocol-14(12)

figure-protocol-15(13)

Die Receiver Operating Characteristic (ROC)-Kurve und die Area Under the Curve (AUC) wurden verwendet, um die Fähigkeit des Modells zu bewerten, zwischen Klassen bei verschiedenen Schwellenwerten zu unterscheiden. Der AUC wurde wie in Gleichung 14 gezeigt berechnet:

figure-protocol-16(14)

Diese statistischen Analysen lieferten eine gründliche Bewertung der Klassifikationsleistung, Robustheit und Verallgemeinerung des Modells auf unbekannte Daten.

Ablationsstudie
Um den Beitrag jeder Komponente im Klassifikationsrahmen weiter zu bewerten, wurde eine Ablationsstudie durchgeführt, indem gezielt bestimmte architektonische Elemente des Endmodells weggelassen oder modifiziert wurden. Konkret wurden zwei alternative experimentelle Konfigurationen ausgewertet: Eine Konfiguration umfasste sowohl die Global Average Pooling- als auch die Flatten-Schicht, gefolgt von zwei dichten Schichten (128 und 64 Einheiten); die andere Konfiguration ließ sowohl die Flatten-Schicht als auch die 128-Einheiten-Dichteschicht aus, sodass nur noch die Global Average Pooling-Schicht und eine einzelne 64-Einheiten-Dichteschicht übrig blieben.

Die vollständige Architektur, wie in den Hauptergebnissen berichtet, erreichte eine Validierungsgenauigkeit von etwa 96 %. Als die Flatten-Schicht ausgeschlossen wurde und nach dem Global Average Pooling nur die 128- und 64-Einheiten-Dichteschichten verwendet wurden, sank die Validierungsgenauigkeit auf 81,6 %. Umgekehrt sank die Validierungsgenauigkeit, wenn die 128-Einheiten-Dichtschicht ausgeschlossen und die Flatten-Schicht beibehalten wurde, auf 88 %. Diese Ergebnisse zeigten die Notwendigkeit, sowohl die zusätzliche dichte Schicht als auch die entsprechenden architektonischen Komponenten einzubeziehen, um eine optimale Klassifikationsleistung zu erreichen. Die Ergebnisse der Ablationsexperimente zeigten konsequent, dass die Kombination aus Global Average Pooling, Flattening und zwei vollständig verbundenen Schichten eine ausdrucksstärkere Merkmalsrepräsentation ermöglichte, was zu einer robusteren und genaueren histopathologischen Bildklassifikation führte.

Ergebnisse

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

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

figure-results-1
Abbildung 4: Trainings- und Validierungsgenauigkeit über Epochen. Diese Abbildung zeigt den Fortschritt der Genauigkeit sowohl für Trainings- als auch für Validierungssets über alle Epochen hinweg und zeigt, wie sich die Modellleistung während des Trainings entwickelt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-2
Abbildung 5: Verlustkurven. Verlustkurven für sowohl Trainings- als auch Validierungsdaten während des gesamten Trainingsprozesses helfen, Konvergenz und mögliches Overfitting zu visualisieren. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Die Leistung des Modells wurde anhand einer umfangreichen Palette von Kennzahlen getestet, um seine Genauigkeit, Stabilität und Verallgemeinerungspotenzial zu überprüfen. Die Genauigkeit, als Verhältnis von korrekten Vorhersagen zu Gesamtvorhersagen, lag bei 96 % bei 5.000 Stichproben. Präzision, ein Maß für korrekte positive Vorhersagen, und Recall (Sensibilität), das die Fähigkeit des Modells misst, alle tatsächlichen positiven Fälle zu klassifizieren, wurden für alle Klassen berechnet. Der F1-Score, ein Gleichgewicht zwischen Präzision und Rückruf, lieferte eine einzige Messgröße zur Bewertung der Gesamtleistung des Modells. Die Verwirrungsmatrix wurde auch verwendet, um klassenspezifische Fehler zu zeichnen, und die AUC-ROC-Kurve wurde eingesetzt, um die Fähigkeit des Modells zu messen, zwischen Klassen bei unterschiedlichen Schwellenwerten zu unterscheiden. Abbildung 6 zeigt die Verwirrungsmatrix.

figure-results-3
Abbildung 6: Verwirrungsmatrix. Verwirrungsmatrix für die Klassifikationsergebnisse, die das Verhältnis von korrekten und falschen Vorhersagen für jede Klasse zusammenfasst. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Fehlermaße wie Mean Squared Error (MSE), Root Mean Squared Error (RMSE) und Average Absolute Error (MAE) wurden berechnet, um die Vorhersagegenauigkeit mit 0,01098, 0,1048 und 0,02252 zu bestimmen. Diese niedrigen Fehlerraten spiegeln die Zuverlässigkeit und Konsistenz des Modells wider. Abbildung 7 zeigt die Fehlermetriken.

figure-results-4
Abbildung 7: Präzision, Rückruf und F1-Wert. Fehlermetriken wie Genauigkeit, Abruf und F1-Wert für jede Klasse bieten eine vergleichende Darstellung der Modellleistung in verschiedenen Kategorien. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Klassenspezifische Leistungskennzahlen geben zudem die Effizienz des Modells an. Für Klasse 0 (Lungengutgewebe) erzielte das Modell perfekte Präzision (1,00) und guten Rückruf (0,98) und erreichte dadurch einen F1-Wert von 0,99. Klasse 1 (Lungenadenokarzinom) war ebenfalls ausgezeichnet in Bezug auf Präzision, Rückruf und F1-Wert, die alle bei 0,99 lagen. Klasse 2 (Lungenplattenepithelkarzinom) verzeichnete eine Genauigkeit von 0,86, Rückruf von 0,99 und einen F1-Wert von 0,92, während Klasse 3 (Darmadenokarzinom) mit Präzision, Rückruf und F1-Wert perfekt mit 1,00 abschnitt. Für Klasse 4 (Darmbeniges Gewebe) lag die Präzision bei 0,99, der Rückruf bei 0,85 und der F1-Wert bei 0,92. Die makrodurchschnittlichen und gewichteten Durchschnittswerte für Genauigkeit, Rückruf und F1 lagen bei etwa 0,97, 0,96 bzw. 0,96, was die ausgewogene Leistung des Modells für alle Klassen betont. Diagramme des Klassifikationsberichts (Abbildung 8) bieten eine intuitive und unkomplizierte Visualisierung der Modellleistung, was die Weiterentwicklung und Analyse erleichtert.

figure-results-5
Abbildung 8: Heatmap des Klassifikationsberichts. Diese Abbildung bietet eine Heatmap-Darstellung des Klassifikationsberichts und hebt die Stärken und Schwächen der Vorhersagen des Modells für jede Klasse hervor. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Während klassische maschinelle Lernmethoden (ML) mit handgefertigter Merkmalsextraktion Vorteile in Bezug auf Interpretierbarkeit und Reproduzierbarkeit bieten, sind sie oft in ihrer Fähigkeit eingeschränkt, die komplexen und subtilen Muster in histopathologischen Bildern zu erfassen. Deep-Learning-Modelle, insbesondere konvolutionelle neuronale Netzwerke (CNNs) wie EfficientNetB7, haben in einer Vielzahl medizinischer Bildanalyseaufgaben eine überlegene Leistung gezeigt, indem sie relevante Funktionen automatisch direkt aus Daten22 lernen. Diese Steigerung von Genauigkeit und Robustheit bringt jedoch einen Kompromiss mit sich: Deep-Learning-Modelle sind typischerweise rechenintensiver und werden aufgrund ihrer begrenzten Interpretierbarkeit im Vergleich zu traditionellen ML-Methoden manchmal als "Black Boxes" betrachtet. Die vorliegende Studie hat Priorität auf Klassifikationsgenauigkeit und klinische Anwendbarkeit gelegt und gleichzeitig anerkannt, dass weitere Forschung zu tiefgreifenden interpretierbaren Lerntechniken helfen kann, die Lücke zwischen Modellleistung und Transparenz in klinischen Umgebungen zu überbrücken25,26.

Die beobachtete beeindruckende Leistung für Lungenadenokarzinom und Colonadenokarzinom lässt sich auf ihre charakteristischen histopathologischen Merkmale zurückführen, die vom EfficientNetB7-basierten Modell leichter erfasst werden können. Im Gegensatz dazu entsprechen die etwas niedrigeren Rückrufwerte bei Lungenplattenepithelkarzinom (0,99) und Colon-Beignengewebe (0,85) mit der allgemein anerkannten Herausforderung, diese Klassen zu differenzieren, da sie subtile morphologische Ähnlichkeiten mit anderen Gewebetypen unterscheiden. Solche bescheidenen Unterschiede im Gedächtnis verdeutlichen die inhärente Komplexität bestimmter histopathologischer Kategorien und unterstreichen die Notwendigkeit fortlaufender Forschung zur weiteren Verbesserung der Klassendiskriminierung. Trotz dieser Nuancen bestätigen die konstant hohen F1-Werte und niedrigen Fehlermetriken des Modells in allen Kategorien seine ausgewogene, zuverlässige Leistung und unterstreichen seinen potenziellen Nutzen in realen klinischen Arbeitsabläufen.

Im Kontext bestehender Deep-Learning-Methoden bei der Klassifikation histopathologischer Bilder sind bemerkenswerte Fortschritte bei der Lösung unausgeglichener Klassen und leichter Unterschiede in histologischen Strukturenzu sehen 27. Konventionelle Methoden neigen dazu, bei hoher Ähnlichkeit zwischen Klassen und innerklassigen Variationen zu scheitern, die vom vorgeschlagenen Modell durch ausgefeilte Vorverarbeitungs- und Augmentationsmethoden erfolgreich gelöst werden28. Die Implementierung einer robusten Architektur wie EfficientNetB7, die trainierte Daten enthält, verbessert das Modell und erhält einen deutlichen Vorteil gegenüber Modellen weltweit.

Die Studie und Entdeckung bestätigen die Fähigkeit des Modells, resistent und genau zu sein, und bestätigen die Relevanz für den Aspekt der medizinischen Diagnose in realen Fällen29,30. Die Standardleistung bildet die Grundlage für umfangreiche Entwicklung und klinische Anwendung und macht sie zu einem praktikablen Werkzeug in den Händen von Pathologen mit verbesserten Ergebnissen bei der Patientendiagnostik31. Tabelle 3 13,18,32,33,34,35,36,37,38 zeigt die Genauigkeitsvergleiche, die darauf hinweisen, dass das vorgeschlagene Modell die meisten traditionellen CNN-Modelle übertrifft und daher für praxisnahe medizinische Diagnostikanwendungen besser geeignet ist.

Im Vergleich zu bestehenden Deep-Learning-Ansätzen zur histopathologischen Bildklassifikation zeigt das auf EfficientNetB7 basierende Framework klare Vorteile sowohl bei der prädiktiven Leistung als auch in der praktischen Implementierung. Während frühere Methoden oft Schwierigkeiten hatten, hohe Genauigkeit mit klassenweiser Konsistenz zu vereinbaren oder umfangreiche Rechenressourcen erforderten, erreicht das vorgeschlagene Framework eine höhere Gesamtgenauigkeit, ausgewogenere klassenspezifische Metriken und schnellere Inferenz. Fortschrittliche Datenaugmentation und Transfer Learning mindern nicht nur Probleme wie Klassenungleichgewicht und Overfitting, sondern ermöglichen es dem Modell auch, robust über anspruchsvolle Gewebesubtypen hinweg zu performen. Darüber hinaus machen die relativ kompakte Modellgröße und die effizienten Rechenanforderungen diese Lösung gut geeignet für die Integration in reale digitale Pathologie-Workflows und heben sie sich von ressourcenintensiveren Architekturen ab.

StudiumTechnikGenauigkeit
Wahid, R. R. et al.18 (2023)Konvolutionales neuronales Netzwerk (CNN) 93,02 % (Lunge)
88,26 % (Dickdarm)
Singh, O. et al.32 (2024)EfficientNetB60.9312
Maheshwari, U. et al.33 (2022)CNN0.93
Masud, M. et al.34 (2021)Deep Learning (DL) 96.33%
Hossain et al.35 (2022)CNN0.94
Swarna, I. J. et al.36 (2023)CNN78.18
Reis, H. C. et al.37 (2023) DenseNet1690.9429
Laxmikant, K. et al.38 (2024)Deep ConvNets (CNNs)0.9254
Vorgeschlagenes ModellAdvanced EfficientNetB7 mit einer Reihe von Bildaugmentationstechniken.0.96

Tabelle 3: Der quantitative Leistungsvergleich zwischen dem vorgeschlagenen Modell und bestehenden Ansätzen, Genauigkeit und andere wichtige Bewertungskennzahlen zusammenfassend.

Dieser Abschnitt vergleicht die Leistung des vorgeschlagenen Modells, das auf der EfficientNetB7-Architektur basiert, mit bestehenden Deep-Learning-Modellen in der histopathologischen Bildklassifikation. Es hebt das bessere Management des Klassenungleichgewichts und die Resilienz des Modells durch fortschrittliche Vorverarbeitung und Erweiterung hervor. Abbildung 9 zeigt falsch klassifizierte Instanzen im Validierungsdatensatz, die mit vorhergesagten und tatsächlichen Labels gekennzeichnet sind, um Fehler zu untersuchen.

figure-results-6
Abbildung 9: Fälschlicherweise als Klasse 0 klassifiziert, zeigt häufige Fehler des Modells in dieser Kategorie. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

DATENVERFÜGBARKEIT:
Die für die Ergebnisse verwendeten Daten sind öffentlich unter https://www.kaggle.com/datasets/andrewmvd/lung-and-colon-cancer-histopathological Images verfügbar. Der vollständige Code für diese Studie ist als Supplementary File 2 verfügbar.

Ergänzende Datei 1: Der Algorithmus zur verbesserten Erkennung von Lungen- und Darmkrebs. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 2: Der vollständige Code, der für diese Studie verwendet wurde. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

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

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 klassifiziert11. Das Verfahren besteht darin, Klassenvorhersagen für alle Bilder im Validierungsset zu machen und sie mit echten Klassifikationen zu vergleichen. Die falsch klassifizierten Bilder werden durch ihre Indizes angezeigt, sodass vorhergesagte und tatsächliche Bezeichnungennicht mit 29 übereinstimmen. Eines der falsch klassifizierten Bilder, typischerweise fünf, wird visuell dargestellt, sowohl mit vorhergesagten als auch mit tatsächlichen Etiketten beschriftet. Diese grafische Darstellung gibt uns ein klares Bild davon, welche Arten von Fehlern das Modell begeht, und kann uns helfen, zu verstehen, warum die Fehlklassifizierungen auftreten. Dieser scharfe Fokus ist notwendig, um bei der Bestimmung anzuwenden, wo das Modell möglicherweise Anpassungen und gegebenenfalls Verbesserungen bei Vorverarbeitungstechniken, Datenerweiterungsprozessen oder Änderungen der Modellarchitekturbenötigt 39. Die Verstärkung dieser Variablen hat das Potenzial, die Genauigkeit und Zuverlässigkeit des Modells als Diagnostik erheblich zu verbessern, was der Kern seiner Anwendung in klinischen Umgebungen ist, in denen präzise medizinische Diagnostik unbezahlbar ist.

Die Architektur von EfficientNetB7 erwies sich in dieser Forschung als hervorragend erwiesen, insbesondere in wichtigen diagnostischen Klassen wie Lungenadenokarzinom und Darmadenokarzinom mit maximalen Präzisionswerten von 1,00. Dies spiegelt seine Fähigkeit wider, Pathologen maßgeblich bei der korrekten Diagnose von Krebsgewebezu unterstützen 7. Probleme der Variabilität innerhalb der Klassen wurden durch fortschrittliche Datenaugmentation und frühzeitige Stoppmethoden gelöst, was die Stabilität und Generalisierbarkeit des Modells erhöhte. Das Modell schnitt jedoch für Klassen wie das Lungenplattenepithelkarzinom nicht so gut ab, was auf das anhaltende Problem der morphologischen Ähnlichkeit zwischen Gewebezuständen und Einschränkungen bei der Beobachtung feinkörniger Unterscheidungen zurückzuführen ist. Die "Black-Box"-Natur von EfficientNetB7 trägt ebenfalls zum Interpretierbarkeitsproblem bei, das eine Blockade für klinische Akzeptanz und Vertrauen30 darstellt. Obwohl das Modell theoretisch die Diagnose verkürzen und die Arbeitsbelastung der Pathologen entlasten kann, müssen weitere Validierungen im klinischen Einsatz und die Integration erklärbarer KI-Methoden durchgeführt werden, um KI-Technologie und klinische Akzeptanzzu überbrücken. Zukünftige Anstrengungen müssen dazu beitragen, die Datensätze auf eine höhere pathologische Heterogenität hinzuweisen und die Interpretierbarkeit zu erhöhen, damit die Zuverlässigkeit und Konformität der medizinischen Standards des Modells gewährleistet sind.

Mehrere Protokollschritte ergaben sich als besonders wichtig, um die Wirksamkeit des vorgeschlagenen Ansatzes zu gewährleisten. Die Vorverarbeitungsphase, insbesondere das Größenanpassung und die Normalisierung, ist entscheidend für die Stabilisierung des Trainings und die Möglichkeit des Modells, histologische Merkmale in einem einheitlichenMaßstab 41 zu extrahieren. Datenaugmentation ist ebenso entscheidend, da sie Variabilität in die Trainingspipeline einführt, das Risiko von Overfitting erheblich minimiert und somit die Generalisierung auf neuartige Stichproben verbessert. Die Wahl von EfficientNetB7 als Basis ist ein weiterer wesentlicher Aspekt, da sein Compound-Scaling-Ansatz sowohl die Genauigkeit als auch die Recheneffizienz für hochauflösende histopathologische Bilder optimiert. Schließlich haben Optimierungshyperparameter wie der Lernratenplan, die Batchgröße und der frühzeitige Stopp-Schwellenwert direkte Auswirkungen auf die Konvergenzstabilität und die Trainingseffizienz. Eine genaue Steuerung dieser Schritte gewährleistet, dass das Protokoll zuverlässig reproduziert und erfolgreich auf verwandte medizinische Bildgebende Aufgaben ausgeweitet werden kann. Die auf EfficientNetB7 basierende Architektur besitzt eine erhebliche Recheneffizienz, die für die reale Implementierung in klinischen und automatisierten Pipelines von größter Bedeutung ist. Mit einer kleinen Modellgröße von etwa 80 MB und einer schnellen Inferenzzeit von unter 0,15 s pro Bild auf einer NVIDIA Tesla P100 GPU und etwa 1,2 s auf einer Standard-CPU ermöglicht die Architektur eine schnelle Diagnose-Bearbeitung selbst in hochdurchsatzfähigen pathologischen Umgebungen. Diese Effizienz spart nicht nur Hardware- und Energiekosten, sondern ermöglicht es auch, das Modell in aktuelle digitale Pathologieplattformen für Echtzeit- oder Batchverarbeitungzu integrieren. Die automatisierte Vorverarbeitungs- und Erweiterungspipeline vereinfacht zudem die Anpassung an neue Datensätze und klinische Umgebungen mit minimalem menschlichem Eingreifen, wodurch die Lösung sowohl skalierbar als auch für den routinemäßigen Einsatz in verschiedenen Gesundheitseinrichtungen möglich ist.

Eine wesentliche Einschränkung dieser Studie ist die ausschließliche Nutzung des öffentlich verfügbaren LC25000-Datensatzes, der auf histopathologische Bilder von Lungen- und Darmkrebs beschränkt ist. Während umfangreiche Erweiterungen die Datensatzgröße auf 25.000 Bilder erhöhten und die Modellrobustheit verbesserten, beschränkte sich die Bewertung zwangsläufig auf diese beiden Krebstypen. Daher bleibt die Verallgemeinerbarkeit des vorgeschlagenen Rahmens auf andere Krebssubtypen, Gewebequellen und reale klinische Kohorten ungetestet. Zukünftige Arbeiten sollten das Modell mit größeren, multiinstitutionellen Datensätzen validieren, die ein breiteres Spektrum von Krebsarten und Patientengruppen abdecken, um seine klinische Anwendbarkeit vollständig festzustellen43. Das Rahmenwerk wurde in dieser Studie nicht anhand eines unabhängigen externen Datensatzes ausgewertet, was die Evidenz für seine Robustheit und klinische Anwendbarkeit über die LC25000 Daten hinaus einschränkt. Zukünftige Arbeiten sollten externe Validierungen beinhalten, um die reale Leistung weiter zu bewerten.

In dieser Studie war es möglich, ein Deep-Learning-Modell auf Basis der EfficientNetB7-Architektur zu entwickeln und zu testen, das auf die histopathologische Bildklassifikation von Lungen- und Darmgewebe optimiert wurde. Die große Menge von 25.000 augmentierten Bildern ermöglichte ein starkes Modelltraining, sodass die Fähigkeit, reale diagnostische Probleme mit angemessener Genauigkeit zu beantworten, durch eine durchschnittliche Modellgenauigkeit von 96 % und extrem geringe Fehler in MSE, RMSE und MAE unterstützt wurde. Obwohl das Modell so gut funktionierte, könnten zukünftige Projekte auf Verbesserungen hoffen, um es anwendbarer und effizienter zu machen. Das Hinzufügen von reichhaltigeren und vielfältigeren Datensätzen mit Stichproben unterschiedlicher Demografien und gemischter pathologischer Stadien könnte das Modell auf größere Bevölkerungsgruppen verallgemeinern machen. Die Betrachtung alternativer Deep-Learning-Architekturen oder Kombinationen von Modellen kann einige Einblicke geben, um die Rechenkosten in Bezug auf eine geringere Genauigkeit zu senken. In der praktischen Anwendung kann das vorgeschlagene Framework mithilfe einer benutzerfreundlichen Oberfläche in digitale pathologische Arbeitsabläufe integriert werden, die es Pathologen ermöglicht, Bilder hochzuladen, Klassifikationsergebnisse zu visualisieren und wichtige Kennzahlen44 zu überprüfen. Zukünftige Arbeiten werden die Entwicklung und Bewertung einer solchen Schnittstelle in Zusammenarbeit mit klinischen Experten umfassen. Zukünftige Arbeiten werden die Integration von Grad-CAM oder ähnlichen Erklärbarkeitsmethoden untersuchen, um die Modellinterpretierbarkeit für klinische Nutzer zu verbessern. Die Implementierung dieses Modells in einer klinischen Umgebung ist ebenfalls möglich und würde den Aufbau einer benutzerfreundlichen Oberfläche sowie umfangreiche Validierungsstudien nach dem im klinischen Umfeld geforderten Standard erfordern. Die zweite vielversprechende Richtung wäre die Integration von Erklärbarkeitsfaktoren in das Modell, damit Nutzer die Beweggründe hinter einer spezifischen diagnostischen Vorhersage verstehen können, was entscheidend ist, um Vertrauen und umsetzbares Wissen in der medizinischen Praxis aufzubauen.

Offenlegungen

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

Die Autoren erklären, dass kein Interessenkonflikt bezüglich der Veröffentlichung dieses Manuskripts besteht. Keine finanziellen oder persönlichen Zugehörigkeiten haben die Forschung, Ergebnisse oder Schlussfolgerungen in dieser Arbeit beeinflusst.

Danksagungen

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

Diese Forschung wird von Princess Nourah bint Abdulrahman University Researchers Supporting Project Nummer (PNURSP2026R195) der Princess Nourah bint Abdulrahman University, Riad, Saudi-Arabien, unterstützt. Die Autoren danken der Dekanat für Forschung und Graduiertenstudien an der King Khalid University für die Finanzierung dieser Arbeit durch große Gruppenforschung unter der Fördernummer RGP2/749/46.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
A100 GPU (CUDA)NVIDIACUDA Version 11.0GPU-Beschleunigung für Modelltraining und -bewertung.
Kaggle-PlattformGoogleN/ACloudbasiertes Notizbuch zur Entwicklung von Machine-Learning-Modellen
KerasTensorFlow (Google)Version 2.6.0Deep-Learning-API, die auf TensorFlow läuft.
LC25000Borkowski AA, Bui MM, Thomas LB, Wilson CP, DeLand LA, Mastorides SM. Lungen- und Darmkrebs-Histopathologischer Bilddatensatz (LC25000)N/ADieser Datensatz enthält 25.000 histopathologische Bilder mit 5 Klassen. Alle Bilder sind 768 x 768 Pixel groß und im JPEG-Dateiformat.
MatplotlibPython Software FoundationVersion 3.5.0Visualisierungsbibliothek zum Plotten von Ergebnissen.
NumPyPython Software FoundationVersion 1.19.5Numerische Computerbibliothek.
OpenCVOpen SourceVersion 4.5.4Bildverarbeitung und Computer-Vision-Bibliothek.
PandasPython Software FoundationVersion 1.3.4Werkzeug zur Datenanalyse und -manipulation.
Python (Anaconda-Distribution)Anaconda IncVersion 3.7.12Enthält vorinstallierte Pakete und Umgebungsmanagement-Tools.
Scikit-learnPython Software FoundationVersion 0.23.2Werkzeuge für maschinelles Lernen zur Leistungsbewertung.
TensorFlowGoogleVersion 2.6.2Deep-Learning-Framework für Diffusionsmodelle.

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Histopathological analysis for detecting lung and colon cancer malignancies using hybrid systems with fused features. Bioengineering. 10 (3), 383(2023).">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. Lung and colon cancer histopathological image dataset (LC25000). arXiv. , (2019).">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. A narrative review of digital pathology and artificial intelligence:focusing on lung cancer. Transl Lung Cancer Res. 9 (5), 2255(2020).">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. https://www.who.int/publications/i/item/9789240089488 (2024).">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. A comprehensive review of multimodal deep learning for enhanced medical diagnostics. Comput Mater Continua. 84 (3), 2025(2025).">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. Lung and colon cancer classification using multiscale deep features integration of compact convolutional neural networks and feature selection. Technologies. 13 (2), 54(2025).">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. Advancements and challenges in the image-based diagnosis of lung and colon cancer:a comprehensive review. Cancer Inform. 23, 11769351241290608(2024).">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. Computer-aided application in medicine and biomedicine. Int J Comput Intell Syst. 18 (1), 221(2025).">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. CNN models aided with a metaclassifier for lung carcinoma classification using histopathological images. Multimed Tools Appl. 84, 28493-28517 (2025).">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. Safety diagnostic tool for non-small cell lung cancer (NSCLC) lyophilized serum. Clin Cancer Investig J. 13 (4), 15-19 (2024).">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. A novel heteromorphous convolutional neural network for automated assessment of tumors in colon and lung histopathology images. Biomimetics. 8 (4), 370(2023).">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. Improving lung cancer detection with enhanced convolutional sequential networks. Sci Rep. 15 (1), 32099(2025).">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. Advanced deep learning fusion model for early multi-classification of lung and colon cancer using histopathological images. Diagnostics. 14 (20), 2274(2024).">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. Cancer disease prediction using integrated smart data augmentation and capsule neural network. IEEE Access. 12, 81813-81826 (2024).">Ravindran, U., Gunavathi, C. Cancer disease prediction using integrated smart data augmentation and capsule neural network. IEEE Access. 12, 81813-81826 (2024).
  15. Machine learning-based lung and colon cancer detection using deep feature extraction and ensemble learning. Expert Syst Appl. 205, 117695(2022).">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. A framework for lung and colon cancer diagnosis via lightweight deep learning models and transformation methods. Diagnostics. 12 (12), 2926(2022).">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. Lung and colon cancer classification using medical imaging:a feature engineering approach. Phys Eng Sci Med. 45 (3), 729-746 (2022).">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. Lung and colon cancer detection with convolutional neural networks on histopathological images. AIP Conf Proc. 2654, 020020(2023).">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. 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).">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. Malignancy detection in lung and colon histopathology images using transfer learning with class selective image processing. IEEE Access. 10, 25657-25668 (2022).">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. Identification of novel targets and mechanisms of wogonin on lung cancer, bladder cancer, and colon cancer. J Future Foods. 4 (3), 267-279 (2024).">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. Biogeochemistry of Wetlands: Science and Applications. , CRC Press. Boca Raton. (2022).">Reddy, K. R., DeLaune, R. D., Inglett, P. W. Biogeochemistry of Wetlands: Science and Applications. , CRC Press. Boca Raton. (2022).
  23. Lecture Notes in Electrical Engineering. , Springer. Singapore. (2022).">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. Pathological functions of lysosomal ion channels in the central nervous system. Int J Mol Sci. 25 (12), 6565(2024).">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. UCFNNet: ulcerative colitis evaluation based on fine-grained lesion learner and noise suppression gating. Comput Methods Programs Biomed. 247, 108080(2024).">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. CenterFormer:a novel cluster center enhanced transformer for unconstrained dental plaque segmentation. IEEE Trans Multimedia. 26, 10965-10978 (2024).">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. Deep machine learning for medical diagnosis, application to lung cancer detection:a review. BioMedInformatics. 4 (1), 236-284 (2024).">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. Deep learning for fast super-resolution ultrasound microvessel imaging. Phys Med Biol. 68 (24), 245023(2023).">Luan, S., et al. Deep learning for fast super-resolution ultrasound microvessel imaging. Phys Med Biol. 68 (24), 245023(2023).
  30. Unlocking the full potential of memory T cells in adoptive T cell therapy for hematologic malignancies. Int Immunopharmacol. 144, 113392(2025).">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. A skin lesion segmentation network with edge and body fusion. Appl Soft Comput. 170, 112683(2025).">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. Lung and colon cancer classification of histopathology images using convolutional neural network. SN Comput Sci. 5 (2), (2024).">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. A machine learning approach to diagnosing lung and colon cancer using a deep learning-based classification framework. Sensors. 21 (3), 748(2021).">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. Transfer learning approach and nucleus segmentation with MedCLNet colon cancer database. J Digit Imaging. 36 (1), 306-325 (2022).">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. 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).">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. Enhanced pre-processing technique for histopathological image stain normalization and cancer detection. Multimed Tools Appl. 84, 29733-29761 (2024).">Alhassan, A. M. Enhanced pre-processing technique for histopathological image stain normalization and cancer detection. Multimed Tools Appl. 84, 29733-29761 (2024).
  42. Digital pathology for better clinical practice. Cancers. 16 (9), 1686(2024).">Hijazi, A., Bifulco, C., Baldin, P., Galon, J. Digital pathology for better clinical practice. Cancers. 16 (9), 1686(2024).
  43. Advancements in image-based analyses for morphology and staging of colon cancer: a comprehensive review. Biomed Res Int. 2025 (1), 9214337(2025).">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).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

EfficientNetB7 ModellLungenkrebsdiagnoseKolonkarzinomdiagnosemedizinische BildgebungDatenerweiterungKrebsfr herkennungModell FeinabstimmungK nstliche Intelligenz in der Pathologie

Verwandte Artikel