Research Article

מסגרת למידה עמוקה מבוססת EfficientNetB7 לסיווג משופר של תמונות היסטופתולוגיות של סרטן הריאות והמעי הגס

DOI:

10.3791/68812

⸱

February 6th, 2026

 ,  ,  ,  ,  , 
1Department of CSE, MIT School of Computing, MIT Art, Design and Technology University, 2Department of Computer Science & Engineering, Faculty of Engineering and Technology, JAIN (Deemed-to-be University), 3School of Science, Engineering and Environment, University of Salford, 4Centre for Research Impact and Outcome, Chitkara University, 5Department of Information Systems, College of Computer and Information Science, Princess Nourah bint Abdulrahman University, 6Department of Informatics and Computer Systems, College of Computer Science, King Khalid University, 7Center for Artificial Intelligence, King Khalid University

In This Article

Summary

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

כאן אנו מציגים מערכת למידה עמוקה עם מודל EfficientNetB7 לסיווג מדויק של תמונות היסטופתולוגיות של סרטן הריאות והמעי הגס. המודל השיג דיוק של 96% באמצעות יישום עיבוד מוקדם, הגדלת נתונים ולמידת העברה. לשיטה יש סיכוי גבוה לסייע באבחון קליני של סרטן.

Abstract

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

אבחון מוקדם של סרטן ריאות ממלא תפקיד מרכזי בהבטחת שיפור הטיפול וההישרדות של המטופלים. זהו מוקד מרכזי במחקר קליני. הבינה המלאכותית (AI) שינתה את הפתולוגיה על ידי שיפור משמעותי של הדיוק האבחוני והיעילות. מחקר זה מציג מודל למידה עמוקה חזק בצורת מודל EfficientNetB7 מאומן מראש, לסיווג תמונות היסטופתולוגיות של רקמות המעי הגס והריאות בדיוק גבוה מאוד של 96%. ביצועי המודל הותאמו באמצעות שיטות קדם-עיבוד מתקדמות, כיוונון עדין וטכניקות הגדלת נתונים ייחודיות לתחום. אסטרטגיות אלו מסייעות להפחית בעיות כמו חוסר איזון מעמדי ושינויים היסטולוגיים עדינים. כדי להתמודד עם בעיית התאמת יתר, שולבו מספר טכניקות להגדלת נתונים, והוכנס קריטריון עצירה מוקדם. גישה זו אפשרה הכשרה יעילה וחסכונית כלכלית. אימות מעמיק של המודל מראה שימושיות גבוהה ליישומים קליניים ומאפשר לפתולוגים לספק אבחנות מדויקות ובזמן אמת. שילוב מודלים מתקדמים של למידה עמוקה בתהליכי דימות רפואיים טומן בחובו הבטחה רבה לאבחון מוקדם ומדויק של סרטן, ובסופו של דבר משפר את תוצאות המטופלים.

Introduction

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

סרטן הריאות והמעי הגס הוא בין סוגי הסרטן השכיחים ביותר בעולם מבחינת תמותה. סרטן הריאות הוא הסרטן הקטלני המוביל עם למעלה מ-1.8 מיליון מקרי מוות בשנה, ואחריו סרטן המעי הגס הוא הגורם השלישי בשכיחותו לתמותה מסרטן, לפי נתוני בריאות עולמיים. אבחון מדויק ומוקדם הוא חיוני לטיפול יעיל ולשיפור ההישרדות של סוגי הסרטן הללו. בדיקה היסטופתולוגית, או הערכה מיקרוסקופית של דגימות רקמה על ידי פתולוגים, נותרה אחת השיטות הנפוצות ביותר לגילוי סרטן1. איור 1 מציג את הדגימה של תמונות היסטופתולוגיות של מספר סוגי ריאות ורקמות מעי גס2.

figure-introduction-1
איור 1: תמונות לדוגמה מתוך מאגר הנתונים. איור זה מציג דוגמאות מייצגות מכל מחלקה במאגר הנתונים של LC25000, ומדגיש את המגוון הוויזואלי בין תמונות ריאות ורקמות המעי הגס שפירות וממאירות. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

פתולוגיה דיגיטלית שינתה את התעשייה בכך שאפשרה לה לדגיטל שקופיות היסטולוגיה, אשר כיום מאובחנות באמצעות אלגוריתמים מתקדמים של למידה עמוקה3. בשילוב עם מודלים של למידה עמוקה, אלגוריתמים מצוינים בזיהוי דפוסים עדינים בתוך נתונים גדולים, ומגבירים משמעותית את הדיוק והיעילות של האבחון. טבלה 1 מציגה את תיאור כל מחלקת רקמות.

שם המחלקהתיאור
רקמת ריאה שפירהרקמה לא סרטנית בריאות, שאינה מעורבת בצמיחה סרטנית.
אדנוקרצינומה ריאתיתסוג של סרטן ריאות שנוצר מרקמת אפיתל בלוטית, הידועה בדפוסי הגדילה הממאירים שלה.
קרצינומה של תאי קשקש ריאהסוג של סרטן ריאות שמאופיין במורפולוגיה תאית מסוימת שנוצרת מתאי הקשקש שמרפדים את דרכי הנשימה.
אדנוקרצינומה של המעי הגסרוב האירועים של סרטן המעי הגס נגרמות על ידי סוג נפוץ של סרטן המעי הגס שמתחיל בתאי הבלוטה של הרירית המעי הגס.
רקמת שפיר במעי הגסרקמה בריאה במעי הגס שאינה מראה סימנים למצבים סרטניים או טרום-סרטניים.

טבלה 1: סקירה של חמש סוגי הרקמות והסרטן במאגר הנתונים, כולל שמות מחלקות, מאפיינים ומספר התמונות בכל מחלקה.

EfficientNetB7, ארכיטקטורת רשת עצבית קונבולוציונית מתקדמת, זוהתה כיעילה במיוחד למשימות סיווג תמונה בזכות ההתרחבות המאוזנת שלה בעומק, רוחב ורזולוציה. בהשוואה לארכיטקטורות נפוצות כמו ResNet ו-DenseNet, EfficientNetB7 משיג איזון טוב יותר בין דיוק סיווג ליעילות חישובית באמצעות קנה מידה מורכב, שמגדיל באופן פרופורציונלי את עומק הרשת, רוחב ורזולוציה. בעוד ש-ResNet ו-DenseNet הוכיחו ביצועים חזקים במשימות סיווג תמונות רפואיות, הן בדרך כלל דורשות ספירת פרמטרים גבוהה יותר ומשאבים חישוביים גדולים יותר כדי להגיע לדיוק דומה, מה שהופך את EfficientNetB7 למתאים יותר לניתוח היסטופתולוגי בקנה מידה גדול בסביבות קליניות מוגבלות במשאבים4. היישום של מודלים חישוביים מתקדמים, כולל כלים מבוססי בינה מלאכותית כמו EfficientNetB7, מציע אפשרויות חדשות להתמודדות עם אתגרי אבחון מסורתיים, ומספק כלים התומכים בפתולוגים ואולי משפרים את תוצאות האבחון. שילוב בינה מלאכותית בפרקטיקה של פתולוגיה עשוי לדמוקרט את הגישה לשירותי אבחון איכותיים, ולהפוך את הביצוע לאפשרי עבור אזורים עם מומחיות רפואית מוגבלת לבצע אבחונים מתקדמים.

מחקרים עדכניים וסקירות מקיפות בניתוח תמונות רפואיות הדגישו בעקביות את ההשפעה הגוברת של ארכיטקטורות למידה עמוקה בהיסטופתולוגיה5. ניתוחים רחבי היקף הראו כי רשתות עצביות קונבולוציונליות והווריאציות המודרניות שלהן מספקות ביצועים מתקדמים בזיהוי תכונות מורפולוגיות עדינות במגוון סוגי רקמות, לעיתים קרובות על שיטות אבחון מסורתיות. הערכות השוואתיות מדגישות כי ארכיטקטורות מתקדמות, כולל EfficientNet ומודלים ניתנים להרחבה נוספים, לא רק משיגות דיוק סיווג גבוה יותר אלא גם מדגימות יעילות חישובית משופרת6. בנוסף, סקירות שיטתיות של פתולוגיה דיגיטלית מדגישות את תפקידה הטרנספורמטיבי באבחון שגרתי בכך שהיא מאפשרת שחזוריות, הפחתת שונות בין צופים ואינטגרציה עם צינורות אוטומטיים. ממצאים משלבים אלו מאשרים את הרלוונטיות של אימוץ מודלים מתקדמים של למידה עמוקה לסיווג סרטן היסטופתולוגי ומספקים ראיות חזקות לכך שיישום של ארכיטקטורות ניתנות להרחבה ויעילות יכול להתמודד עם אתגרים קליניים כגון חוסר איזון מעמדי, שונות היסטולוגית וזמינות מוגבלת של פתולוגים מומחים.

מטרות המחקר הן (i) ליצור ולהעריך מודל למידה עמוקה לסיווג תמונות היסטופתולוגיה של סרטן הריאות והמעי הגס בהתבסס על ארכיטקטורת EfficientNetB7; (ii) הדגמת יכולת המודל להשיג דיוק סיווג גבוה, שעשוי לעלות על שיטות אבחון מסורתיות; (iii) חקירת השפעת הגדלת נתונים, טכניקות קדם-עיבוד ולמידת העברה על ביצועי המודל בהקשר ספציפי לתחום מסוים.

מחקר זה לא רק מדגים את הדיוק האבחוני הגבוה שניתן להשיג באמצעות EfficientNetB7 בתמונות היסטופתולוגיות, אלא גם מתמודד בקפדנות עם אתגרים מרכזיים כמו חוסר איזון במחלקות והתאמת יתר באמצעות הרחבת נתונים ממוקדת, אסטרטגיות אימות חזקות וטכניקות עצירה מוקדמות. המתודולוגיה מעוצבת במיוחד כדי לשקף סביבות קליניות אמיתיות על ידי שימוש במאגרי נתונים רחבי היקף ומורחבים והשוואת ביצועי המודל במדדים קליניים רלוונטיים. האוטומציה והיעילות של זרימת העבודה מבטיחות שהמערכת תהיה מעשית לשילוב במעבדות פתולוגיה דיגיטליות, ומציעה פוטנציאל לשפר את פרודוקטיביות הפתולוגים, לשפר עקביות אבחנתית ולאפשר גישה רחבה יותר לניתוח ברמת מומחה בסביבות קליניות עתירות משאבים ומוגבלות במשאבים.

גם עם התקדמות מרשימה בלמידה מעמיקה להדמיה רפואית, נותרו אתגרים רבים בסיווג סרטן הריאות והמעי הגס, תמונות היסטופתולוגיות7. המודלים הנוכחיים נוטים להיכשל בהתמודדות עם חוסר איזון מעמדי, שבו סוגים מסוימים של סרטן יכולים להיות מיוצגים פחות במאגרי נתונים וליצור תחזיות מוטות. יתרה מזאת, הבדלים היסטולוגיים עדינים בין תת-סוגי סרטן, כמו אדנוקרצינומה וקרצינומה של תאי קשקש של הריאה, מהווים אתגר משמעותי לסיווג נכון. רוב המחקרים הקודמים בוצעו על סיווג סרטן יחיד או עם מערכי נתונים קטנים מוגבלים, מה שמונע יישום רחב ותועלת בסביבה קלינית. הגישות המסורתיות גם פחות יעילות חישובית, ולכן פחות רצויות לנתונים גדולים או יישומים קליניים בזמן אמת8.

המחקר הנוכחי מגשר על פערים אלו באמצעות שימוש בארכיטקטורת EfficientNetB7, שהיא מודל למידה עמוקה מתקדם עם יכולת הרחבה ויעילות מוכחת. זום אקראי, הפכים, סיבובים והזזות משמשים כשיטות מתקדמות להגדלת נתונים כדי למקסם את החוסן ויכולת ההכללה של המודל בין דפוסים היסטופתולוגיים שונים. למידת העברה משמשת גם לכיוונון מדויק של מודל EfficientNetB7 שהוכשר מראש, כך שיוכל ללמוד ולהסתגל באופן ספציפי למאגרי נתונים של סרטן הריאות והמעי הגס, ולהפחית את זמן האימון והעלות החישובית9. השימוש באיגוד הממוצע הגלובלי ובעצירה מוקדמת משפר גם את ביצועי המודל בהכשרה טובה ומניעת התאמת יתר.

היישום של למידה עמוקה בדימות רפואי, במיוחד לאבחון סרטן, השיג התקדמות משמעותית בשנים האחרונות. האבחנה המקובלת של סרטן הריאות והמעי הגס תלויה בעיקר בבדיקה היסטופתולוגית, שבה פתולוגים בודקים דגימות רקמה תחת מיקרוסקופ10. למרות יעילותה, היא דורשת עבודה רבה, פתוחה לשונות בין צופים, ובדרך כלל מוגבלת על ידי היצע מוגבל של פתולוגים מומחים, במיוחד בסביבות עם משאבים קשים. מגבלות אלו הובילו לפיתוח מערכות אבחון מבוססות בינה מלאכותית ומבוססות למידה עמוקה ממוחשבות.

מודלים של למידה עמוקה, במיוחד רשתות עצביות קונבולוציונליות (CNNs), הצליחו מאוד בניתוח תמונות של דגימות היסטופתולוגיות11. הם מצטיינים במיוחד בזיהוי דפוסים מורכבים ושינויים עדינים במורפולוגיית הרקמות, משימות המתאימות לסיווג סרטן. למרות ההתקדמות, קיימים ליקויים כמו חוסר איזון בין מחלקות, הכללה מוגבלת על תרחישים מרובי מערכי נתונים, ועלויות חישוביות גבוהות בגישות הנוכחיות. לדוגמה, רוב העבודה עוסקת בסיווג סרטן יחיד, שמגביל את השימוש בו לתרחישי אבחון של סרטן מרובה. כמו כן, טכניקות קדם-עיבוד והגברת נתונים לקויות הופכות אותו לרגיש להתאמה יתר, במיוחד בתרחישים קטנים או לא מאוזנים במאגר נתונים.

התפתחויות אחרונות בלמידת העברה התגברו חלקית על מגבלות אלו על ידי ניצול מודלים מאומנים מראש על מאגרי נתונים בקנה מידה גדול כמו ImageNet. EfficientNet, ResNet ו-DenseNet הם מודלים שזכו לתשומת לב בניתוח תמונות רפואיות, שכן הם יכולים ללמוד תכונות ברמה גבוהה מכמויות מוגבלות של נתוני אימון12. EfficientNet זכתה גם לאימוץ נרחב בזכות היכולת להרחבה וליעילות שלה, שכן היא משיגה דיוק מתקדם ביותר במספר מדדי סיווג תמונות. היישום של EfficientNet בסיווג סרטן משולב של ריאות ומעי הגס אינו נחקר לעומק, במיוחד בנוגע לטיפול באי-איזון מחלקתי ושינויים היסטולוגיים עדינים13.

הרחבת נתונים הייתה אסטרטגיה קריטית לעמידות המודל ולשיפור הכללה14. באמצעות שילוב וריאציות כמו סיבוב, הזזה, זום והיפוך, טכניקות הגדלת נתונים מדמות שונות הקיימת בתמונות היסטופתולוגיות אמיתיות, ומאפשרות למודלים ללמוד תכונות אינווריאנטיות. טכניקות עצירה ורגולריזציה מוקדמות משפרות עוד יותר את ביצועי המודל על ידי הימנעות מהתאמת יתר ומקסום יעילות האימון. למרות כל ההתקדמות הזו, עדיין יש צורך במסגרות מקצה לקצה שמאמצות עיבוד מוקדם מתקדם, הרחבה ולמידה בהעברה כדי להשיג דיוק גבוה ויעילות חישובית לסיווג רב-סרטני. טבלה 2 15,16,17,18,19,20,21,22,23,24 מציגה את הספרות של המחקר מתוך הספרות הקיימת.

לימודמטרה
טאלוקדר, מ. א. ואח' 15 (2022)הצג מודל הפקת תכונות היברידי המשלב למידה עמוקה ולמידת מכונה לזיהוי סרטן המעי הגס והריאות.
עטללה, או. ואח' 16 (2022)ספקו מסגרת למידה עמוקה במשקל נמוך שמשלבת מגוון מודלים וטכניקות טרנספורמציה כדי לסייע בגילוי סרטן ריאות ומעי גס מוקדם.
האגה צ'הדה, א. ואח' 17 (2022)צרו מערכת אבחון מבוססת למידת מכונה בעזרת מחשב שיכולה לזהות סוגים שונים של רקמות ריאה ומעי גס.
ואהיד, ר. ר. ואח' 18 (2023)השתמש במערכת אבחון ממוחשבת עם CNN כדי לאתר סרטן ריאות ומעי גס.
קומאר, נ. ואח' 19 (2022)השווה והבדיל את טכניקות חילוץ התכונות המשמשות לסיווג סרטן המעי הגס והריאות.
מהמוד, ס. ואח' 20 (2022)צרו מודל אבחון של רשת עצבית מאומנת מראש עם שכבות מותאמות לסרטן ריאות ומעי גס, שהיא מדויקת ויעילה.
ג'ואו, ל. ואח' 21 (2024)חזו מטרות חדשות לווגונין (WOG) בטיפול בסרטן ריאות, שלפוחית השתן והמעי הגס באמצעות שיטות ביואינפורמטיקה.
רדי, ק. ר. ואח' 22 (2022)לספק שיטת חילוץ תכונה היברידית המבוססת על למידת מכונה לגילוי סרטן המעי הגס (LCC).
שנדיליה, ס., ניאק, ס. ר.23 (2022)CNN ועיצוב טרנספורמטורים מסייעים לסווג תמונות היסטופתולוגיות של סרטן הריאות והמעי הגס.
חסן, מ. ואח' 24 (2023)באמצעות מודלים רבים של CNN, סווגו תמונות של סרטן הריאות והמעי הגס כדי לשפר את הליכי האבחון.

טבלה 2: השוואה בין מחקרים קודמים רלוונטיים על סיווג תמונות היסטופתולוגיים, פירוט מאגרי נתונים בשימוש, סוגי מודלים ותוצאות מדווחות.

מאמר זה בונה על תרומות אלו על ידי שילוב מודל למידה עמוקה המשתמש בארכיטקטורת EfficientNetB7, בשילוב עם הרחבת נתונים מתקדמת ולמידה בהעברה. הפתרון הנוכחי עולה על הפגמים של פתרונות קודמים בזכות שיפור דיוק הסיווג, שיווי משקל מחלקתי ועלות חישובית נמוכה יותר, ולכן הוא פתרון אופטימלי לשימוש בסביבה קלינית.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

מחקר זה לא כלל ניסויים ישירים על משתתפים אנושיים או בעלי חיים. כל העבודה בוצעה באמצעות מאגר נתונים LC25000 אנונימיים זמין לציבור, הכולל תמונות היסטופתולוגיות, שלא כללו מידע מזוהה על מטופל או טיפול ישיר ברקמות אנושיות. לא נדרשה אישור מוועדת ביקורת מוסדית (IRB) או ועדת טיפול ושימוש בבעלי חיים מוסדית (IACUC). כל ההליכים עמדו בסטנדרטים אתיים ועמדו בתנאי השימוש של מאגר הנתונים למחקר אקדמי. איור 2 מציג את שלבי דיאגרמת זרימת העבודה.

figure-protocol-1
איור 2: זרימת העבודה של השיטה המוצעת. תהליך העבודה כולל עיבוד נתונים מוקדם, שדרוג, אימון מודלים והערכה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

תיאור מערך הנתונים
מאגר הנתונים LC25000 שימש למחקר זה. הוא כלל 25,000 תמונות היסטופתולוגיות, כולן בפורמט אחיד כקבצי JPEG ברזולוציה של 768 ×-768 פיקסלים. מאגר הנתונים נוצר מתוך סט ראשוני של 1,250 תמונות מקוריות, כולל 250 תמונות רקמת ריאה שפירות, 250 אדנוקרצינומות ריאות, 250 קרצינומות תאי קשקש ריאות, 250 תמונות רקמת מעי שפיר, ו-250 אדנוקרצינומות של המעי הגס. התמונות שנותרו נוצרו באמצעות הרחבת נתונים להרחבת מאגר הנתונים, מה שמבטיח אוסף מגוון ונרחב לאימון ואימות מודלים חזק.

התמונות ברזולוציה גבוהה אפשרו בדיקה מעמיקה של מבני התאים, דבר שהיה חיוני לסיווג סרטן מדויק. הרחבת נתונים הייתה הכרחית בשל מספר התמונות המקוריות המוגבל; טכניקות כמו סיבובים, פליפים, זומים והעברות שימשו להגדלה סינתטית של גודל ומגוון מאגר הנתונים. תהליך זה יצר 23,750 תמונות סינתטיות נוספות באופן מאוזן בין מחלקות, מה שהוביל למערך נתונים סופי של 25,000 תמונות, כאשר כל מחלקה מכילה 5,000 תמונות לאחר ההגדלה.

קדם-עיבוד נתונים
התמונות ההיסטופתולוגיות הגולמיות במאגר הנתונים היו ברזולוציה של 768 ×-768 פיקסלים. כדי להבטיח תאימות לארכיטקטורת EfficientNetB7 ולמקסם יעילות חישובית, כל תמונה שונתה מ-768 ×-768 ל-224 × 224 פיקסלים. תהליך שינוי גודל זה ייצג פשרה בין שימור תכונות היסטולוגיות חיוניות לבין הפחתת ההוצאות החישוביות. פעולת שינוי הגודל יוצגה מתמטית כפי שמוצג ב-

משוואה 1: figure-protocol-2 (1)

כאשר X סימן את התמונה המקורית, Xהיה התמונה המוגדרת מחדש, ו-h ו-w היו הגובה והרוחב הרצויים, בהתאמה. כל ערכי הפיקסלים ננורמו לטווח של 0 ל-1, מה שייצב והאיץ את האימון על ידי הבטחת התפלגות קלט עקבית בין התמונות. נרמול זה חושב מתמטית כפי שמוצג במשוואה 2. שלב זה היה חיוני לשיפור התכנסות המודלים במהלך ההדרכה.

figure-protocol-3(2)

הגדלת נתונים שימשה כטכניקה קריטית לשיפור החוסן והיישום של מודלים של למידה עמוקה, במיוחד בהקשר של הדמיה רפואית עם מערכי נתונים מוגבלים ולא מאוזנים. במחקר זה, יושמו מגוון טכניקות הרחבה באמצעות מודול ImageDataGenerator של TensorFlow כדי לדמות שונות ב-vivo בתמונות היסטופתולוגיות. טכניקות אלו כללו סיבובים אקראיים של עד 20 מעלות לסימולציה של שונות בכיוון הרקמה, הזזות אופקיות ואנכיות עד 20% מממדי התמונה כדי לחקות שונות מיקום במהלך הכנת השקופיות, וזומים אקראיים עד 20% כדי לשקף שונות ברמות ההגדלה.

בנוסף, בוצעה היפוך אופקי כדי להכניס וריאציות של תמונת מראה, ובכך להעשיר עוד יותר את מאגר הנתונים של האימון. כדי לנהל פיקסלים מסונתזים חדשים שנוצרו במהלך טרנספורמציות אלו, אומצה אסטרטגיית מילוי שכן קרוב להבטחת מעברים חלקים ולשמירה על שלמות התכונות ההיסטולוגיות המרכזיות. מטריצת הסיבוב הדו-ממדית המשמשת להגדלה מיוצגת במשוואה 3, ומשוואה 4 מגדירה פונקציה עם שינוי הדרגתי:

figure-protocol-4(3)

figure-protocol-5(4)

טכניקות ההרחבה הללו פיצו על אתגרים כמו חוסר איזון במחלקות, שינויים היסטולוגיים קלים ומגבלות במאגר הנתונים בכך שאפשרו למודל ללמוד תכונות אינווריאנטיות והפחתת הסיכון להתאמה יתר. על ידי הרחבה סינתטית של מאגר הנתונים ושילוב שונות מבוקרת, הרחבת הנתונים שיפרה משמעותית את יכולת המודל להכליל לנתונים חדשים ובלתי נראים, ובכך יצרה מערכת חזקה וחזקה יותר לפריסה קלינית באבחון סרטן ריאות ומעי גס.

ארכיטקטורת מודלים
המודל פותח בהתבסס על ארכיטקטורת EfficientNetB7, רשת למידה עמוקה מתקדמת הידועה בביצועיה, יכולת ההתרחבות והיעילות שלה במשימות סיווג תמונות. EfficientNetB7 נבנה באמצעות סדרת בלוקים של קונבולוציה צוואר בקבוק מובייל הפוכה (MBConv), שכללו קונבולוציות מופרדות בעומק. עיצוב מבני זה דחס למעשה את המודל, מה שהוביל להפחתות משמעותיות במספר הפרמטרים עם אובדן מינימלי בביצועים. חדשנות כזו אפשרה למודל להשיג דיוק גבוה עם עלויות חישוב נמוכות יותר, מה שהפך אותו למתאים במיוחד ליישומים חישוביים אינטנסיביים כמו ניתוח תמונות היסטופתולוגי. איור 3 מציג את ארכיטקטורת המודל של EfficientNetB7 המאומן מראש.

figure-protocol-6
איור 3: ארכיטקטורת מודלים של EfficientNetB7. איור זה מציג את המבנה המפורט של מודל EfficientNetB7, וממחיש את השכבות העיקריות והבלוקים הפונקציונליים המשמשים לסיווג תמונה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

המודל קיבל תמונות היסטופתולוגיות מעובדות מראש ששונו מגודלן המקורי של 768 × 768 פיקסלים ל-224 × 224 פיקסלים כדי להתאים לדרישות הקלט של EfficientNetB7. כל תמונה עברה מספר תהליכים ברשת, כולל נרמול אצווה, פונקציות הפעלה של Swish ופעולות קונבולוציה. נרמול אצווה חושב כפי שמוצג במשוואה 5. פונקציית ההפעלה של סוויש הציגה אי-ליניאריות ואפשרה אימון מהיר ויעיל יותר בהשוואה לפונקציות מסורתיות כמו ReLU. שכבות אלו תוכננו לחלץ ולשפר תכונות היררכיות, ולאפשר למודל ללמוד בהדרגה מדפוסים ברמה נמוכה לגבוהה ככל שהתמונות מתפשטות ברשת.

figure-protocol-7(5)

עמוד השדרה הקונבולוציוני של EfficientNetB7, שהוכשר מראש על מאגר הנתונים ImageNet, סיפק סט כללי של גלאי תכונות יעילים במגוון רחב של תחומי תמונה. הבסיס המאומן מראש שיחק תפקיד מרכזי בלכידת דפוסים עדינים אך אינפורמטיביים בתמונות היסטופתולוגיות, אשר לעיתים מאופיינות בשונות תוך-מחלקה גבוהה ובתכונות עדינות. הפלט מהשכבות הקונבולוציוניות הועבר לשכבת איגוד ממוצעת גלובלית, שהקטינה את הממדים המרחביים לווקטור תכונה יחיד לכל תמונה. וקטור זה, שכלל את התכונות הרלוונטיות ביותר שנלמדו על ידי השכבות הקונבולוציוניות, הושטח למערך חד-ממדי לצורך תאימות לשכבות מחוברות במלואן. האלגוריתם לשיפור גילוי סרטן הריאות והמעי הגס מסופק בקובץ משלים 1.

ארכיטקטורת הרשת הבאה כללה שתי שכבות צפופות (מחוברות לחלוטין) עם 128 ו-64 יחידות, בהתאמה. שתי השכבות השתמשו בפונקציית ההפעלה Rectified Linear Unit (ReLU) כדי להכניס אי-ליניאריות נוספת ולכוונן את התכונות שהופצו, מה שאפשר למודל לזהות דפוסים ויחסים מדויקים יותר בתוך הנתונים. השכבה האחרונה של המודל הייתה שכבת פלט של SoftMax עם חמישה נוירונים, שכל אחד מהם מייצג אחת מחמש הסוגים במאגר הנתונים. פונקציית SoftMax יצרה התפלגות הסתברותית בין המחלקות, ששיקפה את תחזית המודל לכל תמונת קלט, כפי שמתואר במשוואה 6:

figure-protocol-8(6)

השילוב של טכניקות קונבולוציונליות מתקדמות, רגולוריזציה חזקה ואסטרטגיות אופטימיזציה יעילות הוביל למודל למידה עמוקה המתאים לסיווג תמונות רפואיות בסיכון גבוה. המודל השיג דיוק, יכולת הרחבה ויעילות תפעולית, והפגין פוטנציאל חזק ליישום קליני באבחון סרטן הריאות והמעי הגס. במסגרת זו, הרגולריזציה הושגה בעיקר באמצעות שדרוג נתונים מתקדם ושימוש בעצירה מוקדמת; לא הוחל נפילה מפורשת או דעיכת משקל על השכבות הצפופות.

הכשרה ואימות
צינור האימות וההכשרה המוקדמת של רשת העצבים הקונבולוציונית (CNN) לסיווג תמונות היסטופתולוגי LC25000 תוכנן כדי לייעל את ביצועי המודל ולהבטיח הכללה טובה. הצינור החל בעיבוד מקדים מקיף, שכלל הפחתת 768 × 768 פיקסלים המקוריים ל-224 × 224 פיקסלים כדי להתאים לדרישות הקלט של ארכיטקטורת EfficientNetB7. עוצמות הפיקסלים ננורמו לטווח [0, 1] כדי לייצב ולהאיץ את האימון, וטכניקות הגדלת נתונים, כולל סיבובים אקראיים, הזזות, זומים והיפוכים אופקיים — יושמו כדי להכניס שונות ולהפחתת התאמת יתר. פעולות הקדם-עיבוד הללו הבטיחו שהמודל ילמד תכונות אינווריאנטיות והכליל היטב לנתונים חדשים.

מודל EfficientNetB7, שהוכשר מראש על מאגר הנתונים של ImageNet, שימש כבסיס, וסיפק סט גלאי תכונות עמיד המסוגל לזהות דפוסים היסטולוגיים עדינים. המודל כוונן לאחר מכן עם שתי שכבות צפופות (128 ו-64 יחידות) שהופעלו על ידי פונקציית היחידה הליניארית המתוקנת (ReLU), ואחריה שכבת פלט SoftMax לסיווג חמש מחלקות. ארכיטקטורה זו מותאמת הן לדיוק והן ליעילות חישובית, מה שהפך אותה למתאימה מאוד לניתוח תמונות רפואיות. כלל עדכון האופטימיזציה של אדם עבור θ מוצג במשוואה 7.

figure-protocol-9(7)

אימון מודלים בוצע בקבוצות של 128 תמונות באמצעות אופטימייזר אדם, שהגדיל באופן אדפטיבי את קצב הלמידה לקידום התכנסות אפקטיבית. קריטריון עצירה מוקדם יושם למעקב אחר אובדן אימות והפסקת אימון אם לא נצפה שיפור, ובכך מונע התאמת יתר ואופטימיזציה של משאבי חישוב. במהלך ההכשרה, מדדי ביצועים מרכזיים – כולל דיוק, אובדן, דיוק וזיכרון – נמדדו באמצעות סט אימות שמחזיק ב-20% מהנתונים. סט ההחזקה סיפק תובנות קריטיות לגבי יכולות ההכללה של המודל והפחית את הסיכון להתאמת יתר לנתונים שלא נראו.

שילוב של אסטרטגיות קדם-עיבוד מתקדמות, הגדלת נתונים ואופטימיזציה הביא לדיוק ועמידות מצוינים של המודלים, והדגים פוטנציאל חזק ליישום קליני בגילוי סרטן ריאות ומעי גס. כל הניסויים בוצעו על כרטיס מסך NVIDIA Tesla P100 עם זיכרון 16GB ו-64GB זיכרון RAM. צינור ההדרכה המלא – כולל קדם-עיבוד, שדרוג ואופטימיזציה של מודלים – דרש כשלוש שעות להשלמת עשרה אפוקים עם גודל אצווה של 128. תשתית חישובית זו נבחרה לניהול יעיל של מאגר הנתונים הגדול והמוגבר, תוך שמירה על זמני הכשרה סבירים המתאימים לסביבות מחקר קליניות.

לצורך שחזוריות, כל ההיפרפרמטרים הקריטיים צוינו במפורש. המודל אומן באמצעות אופטימייזר אדם עם קצב למידה קבוע של 0.001. ההכשרה נערכה עד 10 אפוקים, עם הפסקה מוקדמת בהתבסס על אובדן אימות וסבלנות של שלושה אפוקים למניעת יתר. גודל אצווה של 128 שימש הן לשלב האימון והן לשלב האימות. כדי להבטיח תוצאות עקביות, הזרע האקראי הוגדר ל-42 בכל שלבי טעינת הנתונים והכשרת המודלים. לא הוחל לוח זמנים לירידה בקצב הלמידה במהלך ההכשרה.

הפרוטוקול שילב עיבוד מקדים שיטתי, היפרפרמטרים מכוילים היטב, שיטות אימות קפדניות וסביבה חישובית פתוחה לקידום דיוק ושחזור. זרימת העבודה, על ידי שילוב ארכיטקטורת למידה עמוקה חזקה, אופטימיזציה אפקטיבית ועיצוב ניסויים שניתן לשחזור, יצרה בסיס איתן לסיווג תמונות היסטופתולוגי. בנוסף להדגמת ביצועים חזקים בגילוי סרטן הריאות והמעי הגס, הפרוטוקול הגדיר מסגרת ניתנת להרחבה שניתן להרחיב לאתגרים דומים בהדמיה ביו-רפואית במחקרים עתידיים.

במהלך פיתוח המודל, בוצעו מספר התאמות מעשיות להשגת תוצאות אמינות וניתנות לשחזור. עצירות מוקדמות והרחבת נתונים מתקדמת שימשו לטיפול בחוסר איזון מחלקתי והתאמת יתר. שימוש גבוה בזיכרון במהלך האימון הוקל על ידי שינוי גודל התמונות ל-224 × 224 פיקסלים ושימוש בגודל אצווה של 128. כאשר נתקלה בהתכנסות איטית, קצב הלמידה הוגדר אמפירית ל-0.001. בוצע אימות ידני של מבנה תיקיית התמונה כדי למנוע טעויות טעינת נתונים, ותוקנו זרעים אקראיים כדי להבטיח שחזוריות. אסטרטגיות אלו יכולות לשמש כהנחיה מעשית לחוקרים המתמודדים עם אתגרים דומים באימון מודלים של למידה עמוקה עם מאגרי תמונות היסטופתולוגיים גדולים.

ניתוח סטטיסטי
מידול סטטיסטי של ביצועי המודל בוצע באמצעות סט מקיף של מדדים להערכת דיוק, יציבות והכללה. מדדי הערכה מרכזיים כללו דיוק, זיכרון, ציון F1 ודיוק לכימות ביצועי הסיווג. מטריצת הבלבול שימשה לדיווח מדדי שגיאה ספציפיים למחלקה, שחושבו לפי משוואות 8-10:

figure-protocol-10(8)

figure-protocol-11(9)

figure-protocol-12(10)

בנוסף, מדדי שגיאה כמו שגיאת ממוצע בריבוע (MSE), שגיאת ממוצע ריבוע שורש (RMSE) ושגיאה אבסולוטית ממוצעת (MAE) הוערכו כדי להעריך דיוק תחזית, שחושבו באמצעות משוואות 11-13:

figure-protocol-13(11)

figure-protocol-14(12)

figure-protocol-15(13)

עקומת מאפיין הפעולה של המקלט (ROC) ועקומת השטח מתחת לעקומה (AUC) שימשו להערכת יכולת המודל להבחין בין מחלקות בספים שונים. ה-AUC חושב כפי שמוצג במשוואה 14:

figure-protocol-16(14)

ניתוחים סטטיסטיים אלו סיפקו הערכה מעמיקה של ביצועי הסיווג, החוסן וההכללה של המודל לנתונים שלא נראו.

מחקר אבלציה
כדי להעריך את תרומתו של כל רכיב במסגרת הסיווג, נערך מחקר אבלציה על ידי השמטה סלקטיבית או שינוי של אלמנטים אדריכליים מסוימים במודל הסופי. באופן ספציפי, הוערכו שתי תצורות ניסוי חלופיות: תצורה אחת כללה את שכבות Global Average Pooling ו-Flatten, ואחריה שתי שכבות צפופות (128 ו-64 יחידות, בהתאמה); הקונפיגורציה השנייה השמיטה את שכבת הפלטן ואת שכבת הצפופה של 128 יחידות, והשאירה רק את שכבת האיגוד הממוצע הגלובלי ושכבת צפיפות אחת בת 64 יחידות.

הארכיטקטורה המלאה, כפי שדווח בתוצאות המרכזיות, השיגה דיוק אימות של כ-96%. כאשר שכבת הפלטן הוצאה, ורק שכבות צפופות של 128 ו-64 יחידות שימשו לאחר Global Average Pooling, דיוק האימות ירד ל-81.6%. לעומת זאת, כאשר שכבת הצפיפות של 128 יחידות הוצאה מהמצב ושכבת הפלטן נשמרה, דיוק האימות ירד ל-88%. תוצאות אלו הצביעו על הצורך לכלול גם את השכבה הצפופה יותר וגם את הרכיבים האדריכליים המתאימים להשגת ביצועי סיווג מיטביים. הממצאים מניסויי האבלציה הראו בעקביות כי השילוב של Global Average Pooling, Flattening ושתי שכבות מחוברות לחלוטין אפשר ייצוג תכונות ביטוי יותר, מה שהוביל לסיווג תמונות היסטופתולוגי חזק ומדויק יותר.

Access restricted. Please log in or start a trial to view this content.

Results

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

איור 4 מציג את האימון והדיוק של האימות. איור 5 מציג את אובדן האימון והאישור.

figure-results-1
איור 4: דיוק אימון ואימות לאורך תקופות. איור זה מציג את התקדמות הדיוק הן עבור מערכות אימון והן עבור מערכות אימות בכל התקופות, ומדגים כיצד ביצועי המודל מ...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

בסקירה הביקורתית של מקרים שסומנו בטעות במסגרת ארכיטקטורת הלמידה העמוקה EfficientNetB7, מתבצע בדיקה ביקורתית במקרים שבהם תחזיות המודל אינן תואמות תוויות אמיתיות במאגר הנתונים של הוולידציה. ניתוח ביקורתי הוא בעל חשיבות עליונה בניתוח טעויות מסוימות בסיווג, במיוחד כאשר המודל מסווג באופן שגוי תכונות היסטופתולוגיות שונות של רקמות הריאה והמעי הגס. התהליך הוא לבצע תחזיות מחלקות על כל התמונות בקבוצת האימות ולהשוות אותן לסיווגים אמיתיים. התמונות שסווגו בטעות מסומנות באמצעות...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

המחברים מצהירים כי אין ניגוד עניינים בנוגע לפרסום כתב היד הזה. לא השפיעו על המחקר, התוצאות או המסקנות שהוצגו בעבודה זו.

Acknowledgements

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

מחקר זה נתמך על ידי פרויקט התומכים של אוניברסיטת הנסיכה נורא בינת עבדולרחמן מספר פרויקט (PNURSP2026R195), אוניברסיטת הנסיכה נורא בינת עבד אלרחמן, ריאד, ערב הסעודית. המחברים מביעים את הערכה לדיקן המחקר והלימודים לתארים מתקדמים באוניברסיטת המלך חאליד על מימון עבודה זו באמצעות מחקר קבוצתי גדול תחת מענק מספר RGP2/749/46.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
כרטיס מסך A100 (CUDA)NVIDIACUDA גרסה 11.0האצת GPU לאימון והערכת מודלים.
פלטפורמת קאגלגוגללא זמיןמחברת מבוססת ענן לפיתוח מודלים בלמידת מכונה
קראסTensorFlow (גוגל)גרסה 2.6.0API ללמידה עמוקה שרץ מעל TensorFlow.
LC25000בורקובסקי AA, בוי MM, תומאס LB, וילסון CP, דהלנד LA, מסטורידס SM. מאגר נתונים היסטופתולוגי לסרטן ריאות ומעי גס (LC25000)לא זמיןמאגר נתונים זה מכיל 25,000 תמונות היסטופתולוגיות עם 5 מחלקות. כל התמונות הן בגודל 768 x 768 פיקסלים ובפורמט קובץ jpeg.
Matplotlibקרן התוכנה של פייתוןגרסה 3.5.0ספריית ויזואליזציה לתכנון תוצאות.
NumPyקרן התוכנה של פייתוןגרסה 1.19.5ספריית מחשוב נומרי.
OpenCVקוד פתוחגרסה 4.5.4ספריית עיבוד תמונה וראיית מחשב.
פנדותקרן התוכנה של פייתוןגרסה 1.3.4כלי לניתוח ומניפולציה של נתונים.
פייתון (הפצת אנקונדה)אנקונדה בע"מגרסה 3.7.12כולל חבילות מותקנות מראש וכלי ניהול סביבה.
Scikit-learnקרן התוכנה של פייתוןגרסה 0.23.2כלי למידת מכונה להערכת ביצועים.
TensorFlowגוגלגרסה 2.6.2מסגרת למידה עמוקה למודלים של דיפוזיה.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Al-Jabbar, M., Alshahrani, M., Senan, E. M., Ahmed, I. A. Histopathological analysis for detecting lung and colon cancer malignancies using hybrid systems with fused features. Bioengineering. 10 (3), 383(2023).
  2. Borkowski, A. A., Bui, M. M., Thomas, L. B., Wilson, C. P., DeLand, L. A., Mastorides, S. M., et al. Lung and colon cancer histopathological image dataset (LC25000). arXiv. , (2019).
  3. Sakamoto, T., Furukawa, T., Lami, K., Pham, H. H. N., Uegami, W., Kuroda, K., et al. A narrative review of digital pathology and artificial intelligence:focusing on lung cancer. Transl Lung Cancer Res. 9 (5), 2255(2020).
  4. WHO Consolidated Guidelines on Tuberculosis. Module 3:Diagnosis: Rapid Diagnostics for Tuberculosis Detection. , World Health Organization. https://www.who.int/publications/i/item/9789240089488 (2024).
  5. Al-Zoghby, A. M., Ismail Ebada, A., Saleh, A. S., Abdelhay, M., Awad, W. A. A comprehensive review of multimodal deep learning for enhanced medical diagnostics. Comput Mater Continua. 84 (3), 2025(2025).
  6. Attallah, O. Lung and colon cancer classification using multiscale deep features integration of compact convolutional neural networks and feature selection. Technologies. 13 (2), 54(2025).
  7. Patharia, P., Sethy, P. K., Nanthaamornphong, A. Advancements and challenges in the image-based diagnosis of lung and colon cancer:a comprehensive review. Cancer Inform. 23, 11769351241290608(2024).
  8. Liao, Q. M., Hussain, W., Liao, Z. X., Hussain, S., Jiang, Z. L., Zhu, Y. H., et al. Computer-aided application in medicine and biomedicine. Int J Comput Intell Syst. 18 (1), 221(2025).
  9. Gautam, N., Ghosh, S., Sarkar, R. CNN models aided with a metaclassifier for lung carcinoma classification using histopathological images. Multimed Tools Appl. 84, 28493-28517 (2025).
  10. Mohammed, M. S., Mohammed, A. M. S. Safety diagnostic tool for non-small cell lung cancer (NSCLC) lyophilized serum. Clin Cancer Investig J. 13 (4), 15-19 (2024).
  11. Iqbal, S., Qureshi, A. N., Alhussein, M., Aurangzeb, K., Kadry, S. A novel heteromorphous convolutional neural network for automated assessment of tumors in colon and lung histopathology images. Biomimetics. 8 (4), 370(2023).
  12. Haziq, U., Uddin, J., Rahman, S., Yaseen, M., Khan, I., Khan, J., et al. Improving lung cancer detection with enhanced convolutional sequential networks. Sci Rep. 15 (1), 32099(2025).
  13. Abd El-Aziz, A. A., Mahmood, M. A., Abd El-Ghany, S. Advanced deep learning fusion model for early multi-classification of lung and colon cancer using histopathological images. Diagnostics. 14 (20), 2274(2024).
  14. Ravindran, U., Gunavathi, C. Cancer disease prediction using integrated smart data augmentation and capsule neural network. IEEE Access. 12, 81813-81826 (2024).
  15. Talukder, M. A., Islam, M. M., Uddin, M. A., Akhter, A., Hasan, K. F., Moni, M. A. Machine learning-based lung and colon cancer detection using deep feature extraction and ensemble learning. Expert Syst Appl. 205, 117695(2022).
  16. Attallah, O., Aslan, M. F., Sabanci, K. A framework for lung and colon cancer diagnosis via lightweight deep learning models and transformation methods. Diagnostics. 12 (12), 2926(2022).
  17. Hage Chehade, A., Abdallah, N., Marion, J. -M., Oueidat, M., Chauvet, P. Lung and colon cancer classification using medical imaging:a feature engineering approach. Phys Eng Sci Med. 45 (3), 729-746 (2022).
  18. Wahid, R. R., Nisa', C., Amaliyah, R. P., Puspaningrum, E. Y. Lung and colon cancer detection with convolutional neural networks on histopathological images. AIP Conf Proc. 2654, 020020(2023).
  19. Kumar, N., Sharma, M., Singh, V. P., Madan, C., Mehandia, S. An empirical study of handcrafted and dense feature extraction techniques for lung and colon cancer classification from histopathological images. Biomed Signal Process Control. 75, 103596(2022).
  20. Mehmood, S., et al. Malignancy detection in lung and colon histopathology images using transfer learning with class selective image processing. IEEE Access. 10, 25657-25668 (2022).
  21. Zhou, L., et al. Identification of novel targets and mechanisms of wogonin on lung cancer, bladder cancer, and colon cancer. J Future Foods. 4 (3), 267-279 (2024).
  22. Reddy, K. R., DeLaune, R. D., Inglett, P. W. Biogeochemistry of Wetlands: Science and Applications. , CRC Press. Boca Raton. (2022).
  23. Shandilya, S., Nayak, S. R. Analysis of lung cancer by using deep neural network. Innovation in Electrical Power Engineering, Communication, and Computing Technology. Lecture Notes in Electrical Engineering. , Springer. Singapore. (2022).
  24. Vision transformer-based classification for lung and colon cancer using histopathology images. Hasan, M., et al. 2023 International Conference on Machine Learning and Applications (ICMLA), Jacksonville, FL, USA, , (2023).
  25. Cen, J., Hu, N., Shen, J., Gao, Y., Lu, H. Pathological functions of lysosomal ion channels in the central nervous system. Int J Mol Sci. 25 (12), 6565(2024).
  26. Li, H., Wang, Z., Guan, Z., Miao, J., Li, W., Yu, P., et al. UCFNNet: ulcerative colitis evaluation based on fine-grained lesion learner and noise suppression gating. Comput Methods Programs Biomed. 247, 108080(2024).
  27. Song, W., Wang, X., Guo, Y., Li, S., Xia, B., Hao, A. CenterFormer:a novel cluster center enhanced transformer for unconstrained dental plaque segmentation. IEEE Trans Multimedia. 26, 10965-10978 (2024).
  28. Gayap, H. T., Akhloufi, M. A. Deep machine learning for medical diagnosis, application to lung cancer detection:a review. BioMedInformatics. 4 (1), 236-284 (2024).
  29. Luan, S., et al. Deep learning for fast super-resolution ultrasound microvessel imaging. Phys Med Biol. 68 (24), 245023(2023).
  30. Sun, D., Hu, Y., Li, X., Peng, J., Dai, Z., Wang, S. Unlocking the full potential of memory T cells in adoptive T cell therapy for hematologic malignancies. Int Immunopharmacol. 144, 113392(2025).
  31. Wang, G., Ma, Q., Li, Y., Mao, K., Xu, L., Zhao, Y. A skin lesion segmentation network with edge and body fusion. Appl Soft Comput. 170, 112683(2025).
  32. Singh, O., Kashyap, K. L., Singh, K. K. Lung and colon cancer classification of histopathology images using convolutional neural network. SN Comput Sci. 5 (2), (2024).
  33. Diagnose colon and lung cancer histopathological images using pre-trained machine learning model. Maheshwari, U., Kiranmayee, B. V., Suresh, C. Proc Int Conf Contemp Comput Inform, , 1078-1082 (2022).
  34. Masud, M., Sikder, N., Nahid, A. -A., Bairagi, A. K., AlZain, M. A. A machine learning approach to diagnosing lung and colon cancer using a deep learning-based classification framework. Sensors. 21 (3), 748(2021).
  35. Lung cancer detection from histopathological images using deep learning. Mohalder, R. D., et al. International Conference on Machine Intelligence and Emerging Technologies, , Noakhali, Bangladesh. (2022).
  36. Detection of colon cancer using Inception V3 and ensembled CNN model. Swarna, I. J., Hashi, E. K. Proc Int Conf Electr Comput Commun Eng, 2023, 1-6 (2023).
  37. Reis, H. C., Turk, V. Transfer learning approach and nucleus segmentation with MedCLNet colon cancer database. J Digit Imaging. 36 (1), 306-325 (2022).
  38. Deep convolutional neural networks for early-stage detection and prognostication of lung and colon cancer. Laxmikant, K., Arthi, A., Vinodhini, V., Natarajan, B., Bhuvaneswari, R., Selvam, P. 2024 International Conference on Integrated Circuits and Communication Systems (ICICACS), Raichur, India, , (1109).
  39. Musthafa, M. M., Manimozhi, I., Mahesh, T. R., Guluwadi, S. Optimizing double-layered convolutional neural networks for efficient lung cancer classification through hyperparameter optimization and advanced image pre-processing techniques. BMC Med Inform Decis Mak. 24 (1), 142(2024).
  40. Histopathological analysis advancements in deep learning for the diagnosis of lung and colon cancer with explanatory power via visual saliency. Kashyap, S., Shukla, A. K., Naim, I. Proc Int Conf Innov Emerg Trends Comput Inf Technol, 2125, Springer. Cham. 148-158 (2024).
  41. Alhassan, A. M. Enhanced pre-processing technique for histopathological image stain normalization and cancer detection. Multimed Tools Appl. 84, 29733-29761 (2024).
  42. Hijazi, A., Bifulco, C., Baldin, P., Galon, J. Digital pathology for better clinical practice. Cancers. 16 (9), 1686(2024).
  43. Ameyaw, S. A., Afari, D. A., Boateng, J. Advancements in image-based analyses for morphology and staging of colon cancer: a comprehensive review. Biomed Res Int. 2025 (1), 9214337(2025).
  44. Leveraging artificial intelligence for enhanced histopathological image analysis in lung and colon cancer diagnosis:development of a mobile application. Cherrat, L., Khrouch, S., Chraibi, M., Ezziyyani, M. Proc Int Conf Adv Intell Syst Sustain Dev, , Springer. Cham. 748-766 (2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

EfficientNetB7 ModelDeep LearningLung Cancer DiagnosisColon Cancer DiagnosisHistopathological ImagesMedical ImagingData AugmentationEarly Cancer DetectionModel Fine TuningArtificial Intelligence Pathology

Related Articles