Marco de aprendizaje profundo basado en EfficientNetB7 para mejorar la clasificación de imágenes histopatológicas del cáncer de pulmón y colon

Summary

Aquí presentamos un sistema de aprendizaje profundo con el modelo EfficientNetB7 para la clasificación precisa de imágenes histopatológicas del cáncer de pulmón y colon. El modelo alcanzó un 96% de precisión con la aplicación de preprocesamiento, aumento de datos y aprendizaje por transferencia. El método tiene un alto potencial para ayudar al diagnóstico clínico del cáncer.

Abstract

El diagnóstico precoz del cáncer de pulmón desempeña un papel fundamental para garantizar un mejor tratamiento y la supervivencia de los pacientes. Esto sigue siendo un foco principal en la investigación clínica. La inteligencia artificial (IA) ha transformado la patología al mejorar significativamente la precisión y eficiencia del diagnóstico. Este estudio presenta un modelo robusto de aprendizaje profundo en forma del modelo preentrenado EfficientNetB7 para clasificar imágenes histopatológicas del colon y del tejido pulmonar con una precisión extremadamente alta del 96%. El rendimiento del modelo se optimizó mediante métodos avanzados de preprocesamiento, ajuste fino y técnicas de aumento de datos específicas de dominio. Estas estrategias ayudan a reducir problemas como el desequilibrio de clases y sutiles variaciones histológicas. Para abordar el problema del sobreajuste, se combinaron múltiples técnicas de aumento de datos e incorporó un criterio temprano de detención. Este enfoque permitió una formación eficiente y rentable. La validación robusta del modelo demuestra una gran utilidad para aplicaciones clínicas y permite a los patólogos ofrecer diagnósticos oportunos y precisos. Integrar modelos avanzados de aprendizaje profundo en los flujos de trabajo de imagen médica ofrece un gran potencial para un diagnóstico temprano y preciso del cáncer, mejorando en última instancia los resultados para los pacientes.

Introduction

El cáncer de pulmón y colon está entre los más prevalentes en el mundo en términos de mortalidad. El cáncer de pulmón es el principal cáncer fatal con más de 1,8 millones de muertes anuales, seguido del cáncer de colon como la tercera malignidad más frecuente y la segunda causa más común de mortalidad por cáncer, según estadísticas sanitarias globales. Un diagnóstico preciso y precoz es crucial para un tratamiento eficaz y una mayor supervivencia de estos cánceres. El examen histopatológico, o evaluación microscópica de muestras de tejido por parte de patólogos, sigue siendo uno de los métodos más frecuentes para detectar el

Protocol

Este estudio no implicó experimentación directa con participantes humanos ni animales. Todo el trabajo se realizó utilizando el conjunto de datos LC25000 anonimizado y público de imágenes histopatológicas, que no contenía información identificable del paciente ni manipulación directa de tejido humano. No se requirió la aprobación de la Junta de Revisión Institucional (IRB) ni del Comité de Cuidado y Uso Institucional de Animales (IACUC). Todos los procedimientos cumplieron con los estándares éticos y se ajustaron a los términos de uso del conjunto de datos para la investigación académica. La Figura 2 mues....

Results

La Figura 4 presenta la precisión del entrenamiento y validación. La Figura 5 presenta la pérdida de entrenamiento y validación.

Figura 4: Precisión en el entrenamiento y validación a lo largo de épocas. Esta figura muestra la pr.......

Discussion

En la revisión crítica de instancias mal etiquetadas bajo la arquitectura de aprendizaje profundo EfficientNetB7, se realiza un examen crítico en casos donde las predicciones del modelo no coinciden con las etiquetas reales dentro del conjunto de datos de validación. El análisis crítico es de extrema importancia para analizar ciertos errores de clasificación, especialmente cuando el modelo clasifica erróneamente diversas características histopatológicas de los tejidos pulmonares y

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GPU A100 (CUDA)	NVIDIA	CUDA Versión 11.0	Aceleración de GPU para entrenamiento y evaluación de modelos.
Plataforma Kaggle	Google	N/A	Cuaderno basado en la nube para el desarrollo de modelos de aprendizaje automático
Keras	TensorFlow (Google)	Versión 2.6.0	API de aprendizaje profundo ejecutándose sobre TensorFlow.
LC25000	Borkowski AA, Bui MM, Thomas LB, Wilson CP, DeLand LA, Mastorides SM. Conjunto de datos de imágenes histopatológicas de cáncer de pulmón y colon (LC25000)	N/A	Este conjunto de datos contiene 25.000 imágenes histopatológicas con 5 clases. Todas las imágenes miden 768 x 768 píxeles y están en formato de archivo jpeg.
Matplotlib	Fundación de Software Python	Versión 3.5.0	Biblioteca de visualización para graficar resultados.
NumPy	Fundación de Software Python	Versión 1.19.5	Biblioteca de computación numérica.
OpenCV	Código abierto	Versión 4.5.4	Biblioteca de procesamiento de imágenes y visión por ordenador.
Pandas	Fundación de Software Python	Versión 1.3.4	Herramienta de análisis y manipulación de datos.
Python (distribución anaconda)	Anaconda Inc	Versión 3.7.12	Incluye paquetes preinstalados y herramientas de gestión del entorno.
Scikit-learn	Fundación de Software Python	Versión 0.23.2	Herramientas de aprendizaje automático para la evaluación del rendimiento.
TensorFlow	Google	Versión 2.6.2	Marco de aprendizaje profundo para modelos de difusión.