מאמר שיטה

שיטת למידת העברה מבוססת בינה מלאכותית ניתנת להסבר לחיזוי סרטן השד

DOI:

10.3791/70011

⸱

22 ביוני 2026

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

במאמר זה

סיכום

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

פרוטוקול למידת העברה ניתן להסבר באמצעות EfficientNet-B0 ו-Grad-CAM פותח לסיווג תמונות אולטרסאונד של השד לקטגוריות שפירות, ממאירות ונורמליות, ומספק מפות חום אבחנתיות ניתנות לפרשנות המתאימות לתמיכה קלינית בקבלת החלטות.

תקציר

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

זיהוי סרטן השד באמצעות תמונות אולטרסאונד דורש דיוק ושקיפות גבוהים כדי לסייע לרופאים לקבל החלטות מתאימות. עבודה זו מדגימה מערכת למידה עמוקה לסיווג תמונות אולטרסאונד של השד לתמונות שפירות, ממאירות ונורמליות באמצעות ארכיטקטורת EfficientNet-B0 המכוונת בנתוני Breast Ultrasound Identification (BUSI). כדי לצמצם את חוסר האיזון בין המעמדות ולייצב את הרשת, מיושם הרחבת נתונים הכוללת הפיכה אופקית אקראית, סיבוב ורעידות צבע. מיפוי הפעלה מחלקתי משוקלל (Grad-CAM) משמש ליצירת הסברים ויזואליים על ידי זיהוי אזורים מעניינים כגון שולי הגידול ודפוסי מרקמים. המודל השיג דיוק ממוצע של 99%, מה שהדגים יעילות גבוהה בזיהוי נגעים. השילוב של בינה מלאכותית מוסברת (XAI) לא רק משפר את הביטחון האבחוני אלא גם מגשר על הפער בין פרקטיקה קלינית לבינה מלאכותית. התוצאות מוכיחות את הפוטנציאל לשילוב מודלים למידה עמוקה בעלי ביצועים גבוהים עם שיטות פרשנות בפיתוח כלים אמינים לאבחון סרטן השד המתאימים לפרקטיקה קלינית בפועל.

מבוא

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

סרטן השד הוא אחת המחלות המסכנות חיים המשמעותיות ביותר הפוגעות בנשים ברחבי העולם. לפי ארגון הבריאות העולמי (WHO), סרטן השד תורם לרוב מקרי המוות הקשורים לסרטן, ואבחון מוקדם הוא קריטי לשיפור שיעור ההישרדות1. הדמיית אולטרסאונד הפכה להליך אבחון שגרתי לסרטן השד משום שהיא בטוחה, זולה ויכולה להפיק תמונות בזמן אמת. בניגוד לממוגרפיה, אולטרסאונד יעיל מאוד בהבחנה בין גושים מוצקים וצמיחה המכילים נוזלים, ולכן משמש ככלי אבחון מצוין בנוכחות פתולוגיית השד. פרשנות דימוי אולטרסאונד היא סובייקטיבית מאוד ותלויה במומחיות ברמה גבוהה, וגורמת לשונות באבחון ואפשרות לטעות אנוש.

בשנים האחרונות, בינה מלאכותית ולמידה עמוקה הוכיחו יכולות עצומות באוטומציה של ניתוח תמונות רפואיות. מודלים מבוססי למידה עמוקה, במיוחד CNNs, מצטיינים בחלוקת אובייקטים, זיהוי וסיווג2. עם זאת, אימוץ הבינה המלאכותית במערכת הבריאות מעוכב על ידי אופיו ה"קופסה השחורה" של מודלים אלו. המונח "קופסה שחורה" מתייחס לחוסר השקיפות באופן שבו מודל מגיע למסקנה מסוימת; למרות שהקלטים והפלטים ידועים, ההיגיון הפנימי והתכונות הספציפיות ששימשו לחיזוי קליני נשארים מוסתרים מהמשתמש.

המניע לעבודה זו נובע מהצורך הדחוף בכלים אמינים לתמיכה באבחון מוקדם של סרטן השד, שעדיין גורם מוביל לתמותת נשים ברחבי העולם. למרות שמודלים של למידה עמוקה יעילים מאוד, חוסר הפרשנות שלהם מגביל את ההשתלבות בסביבות קליניות3. העבודה הנוכחית מתמודדת עם פערים אלו באמצעות שימוש ב-EfficientNet-B0 לסיווג ביצועים גבוהים ושילוב טכניקות AI ניתנת להסבר (XAI), כגון Grad-CAM, כדי לספק תובנות ויזואליות על תהליך קבלת ההחלטות של המודל. על ידי איזון בין שקיפות לדיוק, מחקר זה שואף לפתח מערכת בינה מלאכותית אמינה המספקת תמיכה אבחנתית מוצקה לרופאים. שיטות XAI חושפות את ההיגיון הבסיסי של תחזיות המודלים, ומאפשרות לרופאים לאמת תוצאות ולגשר על הפער בין פרקטיקה קלינית למערכות אוטומטיות4. בסיווג אולטרסאונד של השד, פרשנות זו מבטיחה שאבחנות מבוססות בינה מלאכותית הן מדויקות והן מוצדקות קלינית.

למרות ההתקדמות בלמידה עמוקה, סיווג תמונות באולטרסאונד השד אינו חף מאתגרים, כולל חוסר איזון מעמדי, שבו קבוצות מיעוט כמו גידולים ממאירים מיוצגות בחסר, מה שמוביל למודלים מוטים5. היעדר פרשנות במודלים של למידה עמוקה מקשה ליישוםן בפרקטיקה קלינית, שכן קלינאים דורשים קבלת החלטות שקופה. מגבלות על מאגר הנתונים כמו גודל מוגבל וגיוון מגבילות את הכללת המודלים, בעוד שתכונות התמונה המורכבות של תמונות באולטרסאונד כמו גבולות גידול ומרקם קשות ללמידה. הפתרונות לבעיות שהוזכרו דורשים מסגרת איתנה וניתנת לפענוח המבטיחה דיוק גבוה עם תובנה ברורה לחיזוי המודל7.

מטרת המחקר היא לפתח מסגרת למידה עמוקה המסוגלת לסווג תמונות אולטרסאונד של השד לקטגוריות שפירות, ממאירות ונורמליות, תוך שיפור ההכללה באמצעות הגדלה ממוקדת לקבוצות מיעוטים. המסגרת משלבת מיפוי הפעלה מחלקית משוקלל לפי גרדיאנט כדי לספק הסברים ויזואליים של תחזיות ולהעריך ביצועים באמצעות דיוק, דיוק, שחזור וציון F1, ומדגים את התאמתה כמערכת תמיכה קלינית לתמיכה בהחלטות ניתנת לפרשנות. בניגוד למחקרים מבוססי אולטרסאונד שנערכו קודם לכן, שבהם Grad-CAM משמש בעיקר כהדמיה פוסט-הוק8, המסגרת המוצעת משלבת עיבוד מוקדם מודע לנגעים ולמידה מודעת לכיתה בשלב ההכשרה. מסכות אמת קרקעיות של מאגר הנתונים של תמונות אולטרסאונד השד (BUSI) מונחות על תמונות אולטרסאונד כדי להדגיש את גבולות הנגעים ודפוסי הד פנימיים בעת חילוץ תכונות, והגדלה סלקטיבית משמשת בקבוצות אבחון מיעוטיות כדי להפחית את חוסר האיזון בקטגוריות מבלי לשנות מאפייני מראה קלינייםמשמעותיים 9. שילוב זה, הגדלת נגעים מונעת על ידי נגעים, למידת העברת EfficientNet-B0, והסבר Grad-CAM, הוא שילוב שמשפר את עמידות האבחון ומניב פרשנויות התואמות את מורפולוגיית הנגעים, מה שמצדיק את ההשערה שהגדלת נגע מונחית אנטומית והסברנות יכולים להפוך את אבחון סרטן השד בסיוע AI לאמיןואמין 10.

דימות רפואי מסורתי הסתמך מסורתית על שיטות עיבוד תמונה קונבנציונליות, תוך שילוב סינון, סגמנטציה ופעולות מורפולוגיות לזיהוי מבנים נראים לאבחון11. עם זאת, תהליכים אלו דרשו בדרך כלל כיוון ידני והתקשו להכיל את השונות והמורכבות הטבועות בתמונות רפואיות. לדוגמה, פרשנות אולטרסאונד של השד הייתה תלויה היסטורית במומחיות הסובייקטיבית של רדיולוגים, כאשר זיהוי נגעים ממאירים ושפירים התבסס על תיאורים ויזואליים המועדים לטעויות אנוש או פרשנות שגויה.

הופעת הלמידה העמוקה עוררה מהפכה טרנספורמטיבית בהדמיה רפואית, בעיקר באמצעות פריסת רשתות עצביות קונבולוציונליות (CNNs)12. מבין אלה, EfficientNet-B0 מייצג חידוש משמעותי, המשתמש בשיטת קנה מידה מורכבת שמאזנת עומק, רוחב ורזולוציה של הרשת להשגת חישובים יעילים ומדויקים מאוד. בהקשר של הדמיית אולטרסונוגרפיה של השד, המודל משתמש בשכבות קונבולוציוניות עוקבות כדי ללמוד אוטומטית תכונות היררכיות, ובכך מבטל למעשה את הצורך בהפקת תכונות ידנית סובייקטיבית תוך שיפור משמעותי של הדיוק האבחוני והאמינות13. למרות הפוטנציאל המרשים הזה, למידה עמוקה בהדמיה רפואית נותרה תחום מתפתח עם אתגרים לא פתורים. איכות וזמינות הנתונים הן קריטיות, שכן מודלים של למידה עמוקה דורשים מאגרים עצומים של תמונות עם הערות כדי להבטיח הכללה מוצלחת. יתרה מזאת, אופי ה"קופסה השחורה" של מודלים אלו מציב מכשולים משמעותיים לקבלה קלינית; חששות אתיים לגבי הטיות אפשריות בנתוני ההכשרה עלולים גם להוביל לתחזיות אבחנתיות מעוותות או מפלות14. כתוצאה מכך, מחקר זה מחייב פרוטוקולי בדיקה ואימות מחמירים כדי להבטיח שהמודלים יישארו אובייקטיביים וקלינית. כדי להתמודד עם מגבלות אלו, ההתפתחויות הנוכחיות בלמידה עמוקה מתמקדות בשיפור יכולת הפירוש והעמידות של המודלים. טכניקות כמו מיפוי הפעלה מחלקתי משוקלל לפי גרדיאנט (Grad-CAM), כפי שיושמו במחקר זה, מאפשרות המחשה של אזורי תמונה ספציפיים המשפיעים על תוצאות המודל, ובכך מקדמים הבנה עמוקה יותר של התנהגות המודל ותומכות בקבלת החלטות קליניות. בנוסף, פריצות דרך במסגרות למידה פדרטיבית מקלות שיתופי פעולה מודעים לפרטיות בין מוסדות, ומאפשרות שימוש בנתונים הטרוגניים ללא צורך בשיתוף מערכי נתונים גולמיים. התקדמויות אלו מאפשרות בהדרגה יישומים אמינים, ניתנים לפרשנות ובלתי מוטים בלמידה עמוקה בדימות רפואי, ובסופו של דבר משפרים קריטריונים קליניים וטיפול במטופלים.

חשיבותה של מערכות החלטה רפואיות ניתנות לפרשנות16 הודגשה בהתקדמות האחרונה בבינה מלאכותית ניתנת להסבר. מסגרות ניתנות לפרשנות מסגרות פרשנות מבוססות מיזוג הראו סיווג ושקיפות טובים יותר באמצעות שילוב של יותר מייצוג מאפיין אחד ויותר ממנגנון הסבר אחד17. מחקרים עדכניים הראו פוטנציאל גבוה לשימוש במודלים של למידה עמוקה בשילוב עם שיטות XAI כדי לחזק את הביטחון האבחוני באבחון סרטן השד ומשימות חיזוי רפואיות נוספות. מאמרים אלו תומכים בצורך בצורך בהיגיון חיזוי גבוה וניתן לפרשנות על ידי רופאים, דבר התואם את מטרת המחקר הנוכחי ליצור מערכת סיווג אולטרסאונד יעילה ומובנת18.

טבלה 1 מציגה את סקירת הספרות והטכנולוגיות הקיימות.

לימודמטרההערה
חומאירה אפרין ואח' (2023)19סקירה של יישומי למידה עמוקה לאבחון ולפרוגנוזה, אולטרסאונד של מסת השד.סיווג הנגעים הראה את הביצועים הגבוהים ביותר, עם פחות מחקרים על פרוגנוזה.
גלן איאנה ואח' (2022)20סקירה של ננו-נשאים מונחי אולטרסאונד לכימותרפיה לסרטן השד.ננו-נשאים המגיבים לאולטרסאונד משפרים את אספקת התרופות אך מתמודדים עם מחסומים פיזיולוגיים.
ולריו די פאולה ואח' (2022)21ניתוח טכניקות הדמיה ל-N-staging מדויק בסרטן השד.MRI ו-US ממלאים תפקידים מרכזיים, אך חיוביים/שליליים שגויים משפיעים על דיוק האבחון.
אדיאשה סאהו ואחרים (2024)22הציעו מסווג למידה עמוקה קבוצתית לגילוי סרטן השד.השגתי דיוק גבוה באמצעות AlexNet, ResNet ו-MobileNetV2 עם LoG והגברה גבוהה.
עלירזה רזאזאדה ואח' (2022)23פתח צינור למידת מכונה מוסבר לאבחון סרטן השד באמצעות תמונות אולטרסאונד.משתמש בתכונות טקסטורה ובאנסמבלים של עץ החלטות לשיפור יכולת הפרשנות של תחזיות.
אסף רזה ואח' (2023)24פתח את DeepBreastCancerNet לגילוי חזק של סרטן השד.השגתי דיוק של 99.63% באמצעות ארכיטקטורת 24 שכבות עם מספר אופטימיזציות.
קירן ג'בין ואח' (2022)25להציע מסגרת למידה עמוקה באמצעות DarkNet-53 ומיזוג תכונות.השגתי דיוק של 99.1% באמצעות טכניקות בחירת תכונות אופטימליות.
גלן איאנה ואח' (2022)26פיתוח למידת העברה רב-שלבית (MSTL) לסיווג סרטן השד באולטרסאונד.שיפור הדיוק באמצעות למידת העברה מבוססת תמונה רפואית עם EfficientNetB2, InceptionV3 ו-ResNet50.
סקשם גופטה ואח' (2023)27השתמשו ב-ResNet50 מותאם לסיווג סרטן השד באולטרסאונד.השיג דיוק של 97.8%, קיצור זמן האבחון ושיפור גילוי מוקדם.
קרל קרטקביץ' ואח' (2022)28סקירה של שיטות הדמיה מתקדמות כמו אולטרסאונד טומוגרפיה (UST) וטומוגרפיה פוטואקוסטית (PAT).UST ו-PAT משפרים את גילוי סרטן השד באמצעות הדמיה כמותית.

טבלה 1: מציגה את הספרות והסקירה של טכנולוגיות קיימות.

המודל המוצע מבוסס על הישגים בלמידה עמוקה בסיווג תמונות אולטרסאונד של השד, המתגבר על האתגרים המרכזיים של מחקר זה, כולל איכות הנתונים, יכולת הפרשנות של המודל ויעילות החישובים. בניגוד לטכניקות הישנות, שבהן נעשה שימוש ידני בחילוץ תכונות, בעבודה זו המחברים מנצלים את EfficientNet-B0, הארכיטקטורה העדכנית ביותר, שמשלבת עומק, רוחב ורזולוציה לשיטת העבודה הטובה ביותר. המודל משתמש ב-Grad-CAM כדי להמחיש את ההסבר של התחזית שלו, מה שמגביר את השקיפות והביטחון הקליני שלו. למרות שהפתרונות הנוכחיים, כולל מודלים קבוצתיים ולמידת העברה, הפכו למדויקים מאוד, הם אינם ניתנים לפרש בקלות או עשויים לדרוש כוח מחשוב רב. העבודה המוצגת מתמודדת עם פערים אלו שכן היא מדויקת מאוד (99) וניתנת לפרשנות כדי להבטיח שהמודל אמין ובר קיימא בהיבטים מעשיים של קבלת החלטות קליניות. הגישה המוצעת על ידי התמקדות בחוסר האיזון בין מחלקות לשימוש מעשי היא סטנדרט חדש לאבחון סרטן השד המונחה על ידי בינה מלאכותית.

המאמר משתמש ב-BUSI הזמין לציבור, אוסף של תמונות קליניות אנונימיות שנאספו בעבר. לא היו נבדקים אנושיים ובעלי חיים ישירים במחקר זה, ולכן לא היה צורך באישור אתי מוסדי (IRB/IACUC). כל הפעולות מתבצעות בהתאם לסטנדרטים המקובלים לשימוש משני בנתוני הדמיה רפואית הזמינים לציבור.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

1. מאפייני מערך הנתונים

המחקר השתמש במאגר הנתונים הזמין לציבור Breast Ultrasound Images (BUSI), שסיפק מאגר מתועד היטב לניתוח וסיווג סרטן השד29. מאגר נתונים זה התגלה כמתאים במיוחד שכן הוא כלל אוסף עצום של תמונות אולטרסאונד שנדרשו לקביעת ואימות מודלים של למידה עמוקה להדמיה רפואית. מערך הנתונים כלל 780 תמונות אולטרסאונד שנאספו מ-600 נשים בגילאי 25–75, המייצגות אוכלוסייה מגוונת לאבחון סרטן השד. כל התמונות שמרו על רזולוציה ממוצעת של 500 על 500 פיקסלים והשתמשו בפורמט PNG לשימור נתונים ויזואליים באיכות גבוהה לניתוח. איור 1 ממחיש את תהליך העבודה הכולל של המסגרת המוצעת, כולל עיבוד מוקדם, שדרוג, חילוץ תכונות ב-EfficientNet-B0, סיווג ופרשנות Grad-CAM.

figure-protocol-1
איור 1: דגימות מייצגות ממאגר הנתונים של BUSI. (א) שפיר, (ב) ממאיר, ו-(ג) תמונות תקינות. הפאנלים ממחישים גיוון מורפולוגי המשמש לאימון. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

2. תהליך עבודה ניסיוני

כדי להבטיח שחזוריות, החקירה ביצעה את צינור העיבוד בשלבים רציפים. ראשית, המערכת טענה את תמונות האולטרסאונד של BUSI ואת מסכות האמת הקרקעית המתאימות ושינתה את גודלן ל-224×224 פיקסלים, ולאחר מכן ביצעה נרמול ImageNet. שנית, המסגרת כיסתה כל תמונה עם המסכה שלה כדי להדגיש אזורי נגעים לפני שפיצלה את מערך הנתונים לקבוצות אימון (70%), אימות (15%) ובדיקות (15%) באמצעות דגימה שכבתית. שלישית, המחקר יישם הרחבה ממוקדת שכללה הפיכה אופקית, סיבוב (±15°) ורעידות צבע בעיקר על מחלקות המיעוטים. רביעית, החוקרים כיווננו את מודל EfficientNet-B0, שהוכשר מראש ב-ImageNet, על ידי החלפת שכבת הסיווג הסופית בשכבת פלט בת שלוש מחלקות. תהליך ההכשרה השתמש באופטימיזציה אדם (קצב למידה 0.00005), דעיכת קצב למידה מדרג (γ = 0.1 כל 7 אפוקים), אובדן אנטרופיה צולבת, גודל אצווה של 8, והפסקה מוקדמת עם סבלנות של 2. לבסוף, Grad-CAM יצרה מפות חום של תשומת לב מהשכבה הקונבולוציונית האחרונה כדי להמחיש אזורים רלוונטיים אבחנתית ולתמוך בפרשנות קלינית. טבלת החומרים מפרטת את מערכי הנתונים החיוניים, ספריות התוכנה ותצורות החומרה הנדרשות לשחזור מסגרת סיווג ופרשנות האולטרסאונד של השד במחקר.

מערך הנתונים של BUSI הציג חוסר איזון טבעי במחלקות, תכונה שנצפתה לעיתים קרובות במאגרי נתונים רפואיים. ההתפלגות העדיפה את מחלקת השפירה, ואחריה מקרים ממאירים ותקינים. באופן ספציפי, מאגר הנתונים כלל 487 תמונות שפירות, 210 תמונות ממאירות ו-133 תמונות תקינות. בעוד שהגדלת הנתונים הגבירה את השונות באימונים, היא לא שינתה את ספירת המדגמים הבסיסית בכל מחלקה. התפלגות זו שיקפה תרחישים קליניים מהעולם האמיתי שבהם מצבים שפירים מתרחשים בתדירות גבוהה יותר מגידולים ממאירים. למרות שחוסר איזון כזה תיאר במדויק את שכיחות הפרעות בשדיים בסביבות קליניות, הוא הציב אתגרים לאימון למידה עמוקה, שכן הוא עלול להוביל לתחזיות מוטות ולביצועים לא אופטימליים בכיתות מיעוטים. כתוצאה מכך, הפחתת חוסר האיזון הזה הפכה חיונית לגיבוש מודל יעיל וניתן להכללה שפועל ביעילות בכל קטגוריית האבחון. איור 2 מציג תמונות אולטרסאונד מייצגות מתוך מאגר הנתונים, הממחישות דוגמאות לדגימות רקמות שד שפירות, ממארות ותקינות.

figure-protocol-2
איור 2: זרימת העבודה המוצעת של המודל. צינור סדרתי מעיבוד מוקדם של קלט וכיסוי מסכה להכשרת EfficientNet-B0 ופלט Grad-CAM. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

3. עיבוד נתונים מוקדם

המחקר שינה את גודל כל התמונות ל-224 על 224 פיקסלים, תוך שמירה על מידות הקלט הסטנדרטיות לארכיטקטורת EfficientNet-B0. שינוי גודל זה הבטיח עקביות במאגר הנתונים והפחתת דרישות חישוביות, כפי שמוגדרות במשוואה 1.

figure-protocol-3     

המסגרת נרמלה ערכי פיקסלים באמצעות ממוצע וסטיית תקן של מאגר הנתונים ImageNet ([0.485, 0.456, 0.406] עבור ממוצע ו-[0.229, 0.224, 0.225] עבור std). נרמול זה הגדיל את נתוני הקלט כדי לשפר את יציבות האימון ומהירות ההתכנסות, שחושב לפי משוואה 2.

figure-protocol-4      

כדי לשפר את חילוץ המאפיינים וזיהוי אזורים מעניינים, החוקרים הניחו את התמונות המקוריות על מסכות האמת הקרקעית המתאימות. איור 3 ממחיש את מסכות נגעי האמת הקרקעית ואת תמונות האולטרסאונד המונחות שנוצרו והדגישו את גבולות הגידול.

figure-protocol-5
איור 3: מסכה ותמונות מונחות עליו. (א) אולטרסאונד מקורי, (ב) מסכת אמת קרקעית, ו-(ג) שכבה מתקבלת המדגישה את גבולות הגידול לתשומת לב מרחבית. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

שכבה זו זיהתה אזורים קריטיים, כגון שולי גידול ודפוסי מרקמים, וסיפקה למודל הקשר מרחבי מקומי לשיפור דיוק הסיווג, כפי שמוצג במשוואה 3.

figure-protocol-6      

המחקר השתמש בפעולה של שכבת המסכה אך ורק במהלך הכנת נתוני האימון כדי להעשיר את הידע בגבולות הפגעים במהלך למידת התכונות. לעומת זאת, שלבי האימות וההסקה השתמשו רק בתמונות האולטרסאונד המקוריות ללא מסכות, תוך שמירה על צינור סיווג תמונה קונבנציונלי. מכיוון שמסכות הסגמנטציה הבינאריות במאגר הנתונים של BUSI ייצגו מבנים שכבר היו טבועים בתמונות האולטרסאונד, הן לא הציגו תוויות מחלקה חדשות. כדי למנוע דליפת מידע, החקירה חילקה את מערך הנתונים לקבוצות אימון, אימות ובדיקות, כדי להבטיח שלא יחלקו זוגות חופפים של תמונות או מסכות בין תת-קבוצות. כתוצאה מכך, השכבה שימשה כמדריך תשומת לב מרחבית שהדגיש אזורים אנטומיים משמעותיים מבלי לפגוע בעצמאות נתוני ההערכה.

4. הגדלת נתונים

המחקר יישם הגדלת נתונים ממוקדת כדי לצמצם את חוסר האיזון המעמדי במערך ההכשרה, תוך התמקדות ספציפית בקטגוריות הממאירות והמיעוטים הנורמליים. המסגרת השתמשה במגוון רחב של טרנספורמציות כדי להגדיל באופן מלאכותי את השונות של נתוני האימון ולשפר את יכולת המודל להכליל בין מצבי דימות מגוונים.

ראשית, המערכת ביצעה היפוך אופקי בהסתברות של 0.9 (90%), מה שאפשר למודל לזהות תכונות ללא קשר לכיוון הסריקה. טרנספורמציה זו התבצעה בעקבות משוואה 4:

figure-protocol-7      

שנית, המחקר יישם סיבובים אקראיים בטווח של ±15° כדי לדמות שינויים בזוויות הסריקה ובמיקום המטופל. תהליך זה אילץ את המודל ללמוד תכונות אינבריאנטיות לסיבוב, כגון שולי גידול ודפוסי מרקמים, כפי שמוגדרים במשוואה 5:

figure-protocol-8      

שלישית, החוקרים השתמשו ברעידות צבע כדי לדמות שינויים בתאורה, בניגודיות ובאיזון הצבעים. המסגרת התאימה בהירות, ניגודיות ורוויה פי 0.2, ואת הגוון ב-0.1. התאמות סטוכסטיות אלו שיפרו את עמידות המודל לשינויים במראה, שחושבו לפי משוואה 6:

figure-protocol-9      

הבחירה בטווחי ההיפרמטרים הספציפיים הללו (היפוך אופקי 0.9, סיבוב +15, -15, בהירות/ניגודיות/רוויה 0.2, גוון 0.1) נבעה מהערכת יציבות אמפירית. החקירה קבעה כי סביבות אלו אופטימיזציה את האיזון בין יצירת גיוון לריאליזם אנטומי, והבטיחו התכנסות יציבה ודיוק אימות יציב מבלי לגרום לעיוותים לא מציאותיים בנגעים.

5. ארכיטקטורת מודלים

המחקר השתמש ב-EfficientNet-B0, מודל CNN מודרני הידוע ביעילותו, בקנה המידה ובביצועיו בהשוואה לארכיטקטורות סיווג תמונות אחרות. מודל זה השתמש בשיטה להגדלת העומק, הרוחב והרזולוציה של הרשת באופן פרופורציונלי, מה שאפשר דיוק גבוה עם מספר פרמטרים מופחת משמעותית בהשוואה לארכיטקטורות סטנדרטיות כמו ResNet ו-VGG. גישה זו אפשרה למסגרת להתמודד עם תמונות ברזולוציה גבוהה תוך שמירה על יעילות חישובית, תוך התאמה לצרכים הספציפיים של הדמיה רפואית. איור 4 ממחיש את הארכיטקטורה של EfficientNet-B0, ומדגיש את רצף הבלוקים הקונבולוציוניים ובלוקי MBConv המשמשים לחילוץ תכונות היררכי.

figure-protocol-10
איור 4: ארכיטקטורת EfficientNet-B0. סכמטיקה של בלוקי MBConv וגורמי קנה מידה של תרכובות המשמשים לחילוץ תכונות היררכי. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

כדי לשנות את EfficientNet-B0 למשימת סיווג אולטרסאונד השד, החוקרים הכניסו התאמות ספציפיות למבנה המודל. המערכת החליפה את שכבת הסיווג הראשונית, המיועדת למערך הנתונים ImageNet בן 1,000 מחלקות, בשכבה מחוברת (צפופה) הכוללת 3 נוירונים עם פלט. החקירה קבעה את כל שכבות עמוד השדרה המאומן מראש של EfficientNet-B0 כניתנות לאימון ואופטימיזציה אותן יחד עם שכבת הסיווג החדשה, בהתאם לאסטרטגיית כיוונון מלאה. תהליך האימון לא כלל הקפאה מדורגת או שחרור הדרגתי. המסגרת ביצעה אימון באמצעות אופטימייזר אדם עם קצב למידה של 0.00005 ומתזמן קצב למידה שלבי שהוריד את הקצב פי 0.1 כל 7 עידנים. נוירונים אלו התאימו לשלוש מחלקות היעד במאגר הנתונים של BUSI: שפיר, תקין וממאירים. המודל השתמש בהפעלת SoftMax בשכבת הפלט, שהפך ציונים גולמיים להתפלגויות הסתברות, כפי שחושב במשוואה 7. טבלה 2 מציגה את תיאור ארכיטקטורת המודלים.

figure-protocol-11      

סוג שכבהתיאור
שכבת קלטמקבל תמונות בגודל 224 x 224 x 3
שכבות קונבולוציונליותכולל קונבולוציה התחלתית ובלוקי MBConv להפקת תכונות.
איגוד ממוצע גלובלימצמצם ממדים מרחביים לווקטור תכונה חד-ממדי.
שכבה מחוברת במלואהממפה את וקטור התכונה לשלושה נוירונים יציאה (תקינים, שפירים, ממאירים).
הפעלה של SoftMaxממיר לוגיטים להסתברויות לסיווג רב-מחלקתי.

טבלה 2: מציגה את תיאור ארכיטקטורת המודל.

הפרמטרים ששימשו לאימון המודל היו אופטימייזר אדם, קצב למידה התחלתי של 0.00005, ואובדן אנטרופיה צולבת קטגורית (שלוש קטגוריות), שחושבו מתמטית לפי משוואה 9. משקולות ImageNet מאומנות מראש שימשו לאתחול EfficientNet-B0, והן אומנו במלואן, וכל שכבות עמוד השדרה אומנו ולא הוחל הקפאה שלבית. המסווג הראשוני הוחלף בשכבה מחוברת במלואה ובשלושה נוירונים שיצאו, ולבסוף הפעלה של SoftMax, שייצגה מחלקות שפירות, ממאירות ותקנות. התמונות הוקטנו ל-224 על 224 פיקסלים, ואז נורמל לפי ממוצע ImageNet וסטיית תקן ונטענו במנות קטנות של 8. מתזמן קצב למידה שלבי הפחית את קצב הלמידה ב-0.1 בכל 7 תקופות. אובדן אימות שימש להפסקה מוקדמת עם סבלנות של שתי אפוקים כדי למנוע התאמת יתר. הפעלות Grad-CAM נוצרו בהתבסס על שכבת הקונבולוציוניה האחרונה על ידי חישוב גרדיאנטים, איגוד ממוצע גלובלי לקבלת משקלי ערוצים, והגדלת מפות ההפעלה לרזולוציה של קלט.

כדי לאמת יציבות זו, האימון חזר על עצמו במשך מספר ריצות עם ביצוע אימות התאמה. ניטור עקומות אובדן אימון ואימותי שימש לזיהוי התאמה יתר, ומערכת בדיקה שכבתית שאינה תלויה בהכשרה שימשה להערכה הסופית. ההבדל בין ביצועי האימות לביצועי הבדיקה קטן, מה שמראה התכנסות עקבית ושחזור אופטימיזציה. משוואה 10 מגדירה לוח זמנים של קצב למידה מדורג. משוואה 15 מציינת שתי עליות רצופות באובדן האימות, מה שמעיד על התאמת יתר אפשרית.

figure-protocol-12      

figure-protocol-13      

figure-protocol-14      

figure-protocol-15      

figure-protocol-16      

figure-protocol-17      

figure-protocol-18      

EfficientNet-B0 גמישה במיוחד למשימת סיווג אולטרסונוגרפיית השד, שכן הארכיטקטורה כוללת מספר היבטים אדריכליים חדשניים המאפשרים את היעילות והמהירות של הארכיטקטורה. החלק המרכזי הוא MBConv, שמאחד קונבולוציות מופרדות בעומק עם מודולי סחיטה ועירוור כדי לספק מורכבות חישובית נמוכה יותר ללא אובדן דיוק. המודל תומך גם בקנה מידה של תרכובות שמגדיל את העומק, הרוחב והרזולוציה באופן אחיד כדי להשיג ביצועים מיטביים בכל סוגי מגבלות המשאבים, והמודל גם הוא אג'ילי משימה שנגזר מתמטית כפי שמופיע במשוואה 8 הבאה. המודל כבר מכיל משקלים שמאומנים על מאגר הנתונים של ImageNet ולכן ניתן להעביר אותו ללמידה, ובמידה רבה אין צורך לאמן את המודל על מערכי נתונים רפואיים קטנים. שילוב זה של תכונות ברמה גבוהה, כמו גם סביבת האימון המותאמת אישית, הכוללת גם את השינויים בשכבת הסיווג הסופית, השימוש באופטימייזר אדם, מתזמן קצב הלמידה והעצירה המוקדמת, מבטיחים שהמודל מדויק מאוד, אך בו בזמן יעיל חישובית. שילוב זה של יצירתיות אדריכלית וגישות הכשרה יאפשר למודל ללמוד ביעילות בהתבסס על מידע דימות רפואי לקוי ובכך יוכיח את עצמו ככלי מועיל בסיווג אולטרסאונד של השד.

אלגוריתם 1: סיווג תמונת אולטרסאונד של השד באמצעות EfficientNet-B0 ו-Grad-CAM

קלט: תמונות אולטרסאונד של השד.
פלט: סיווג (תקין, שפיר, ממאיר) ומפות חום Grad-CAM.
1. עיבוד מוקדם של תמונות:
שינוי גודל ל-224×224224×224.
נרמל באמצעות ממוצע ImageNet ומחלות מין.
תגבר עם הפיכה, סיבוב ושינוי צבעים.
2. אתחול מודל:
עומס יעיל Net-B0 (מאומן מראש, לא כולל שכבה עליונה).
הוסיפו איגוד ממוצע גלובלי ושכבה צפופה (3 נוירונים, SoftMax).
3. מודל רכבת:
אופטימייזר: אדם (קצב למידה = 0.00005).
אובדן: חוצה אנטרופיה.
רכבת ל-18 תקופות עם עצירות מוקדמות (סבלנות = 2).
4. ויזואליזציה של CAM:
חשב גרדיאנטים של מחלקת היעד.
יצר ושכב מפות חום על תמונות קלט.

האלגוריתם מספק את תהליך העבודה של סיווג תמונות אולטרסאונד של השד באמצעות EfficientNet-B0 ו-Grad-CAM, כולל עיבוד מוקדם, הדרכה והסקה של המודל, וכן מפת חום ניתנת לפרשנות לאימות קליני.

6. Grad-CAM כבינה מלאכותית ניתנת להסבר

כלי חזק שנעשה בו שימוש במחקר הוא המסוגל להוסיף פרשנות למודל הלמידה העמוקה, מיפוי הפעלה מחלקתי משוקלל לפי גרדיאנט. בהתחשב בפתרון לצורך הדחוף הנוכחי ב-XAI בהדמיה קלינית, השיטה משתמשת ב-Grad-CAM כדי לאפשר לקלינאים להבין באופן אינטואיטיבי את קבלת ההחלטות של המודל שהתרחשו באמצעות מפות חום מוסברות חזותית סביב האזורים המשמעותיים ביותר בתמונה המשמשים בחיזוי המודל. התכנסות זו של פרשנות תהיה קריטית לבניית אמון במערכות בינה מלאכותית, במיוחד מערכות בעלות סיכון גבוה כמו בריאות, שבהן אחריות ושקיפות הן חיוניות. איור 5 מציג מפות חום של Grad-CAM המדגישות את אזורי התמונה שהשפיעו ביותר על תחזיות המודל למקרים שפירים, ממאירים ונורמליים.

figure-protocol-19
איור 5: מפות חום של הפעלת GRAD-CAM. (א) שפיר, (ב) ממאיר, ו-(ג) מקרים תקינים. צבעים חמים (אדום) מסמנים השפעה אבחנתית גבוהה; צבעים קרים (כחול) מצביעים על תשומת לב נמוכה יותר. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

כל תמונות Grad-CAM מוצגות בנוסף לתמונת הקלט שהדגם קיבל אותה. איור 5 מציג את תמונת האולטרסאונד המקורית ואת תמונת הקלט של המודל, כדי להבטיח שהאזורים של תשומת לב קרובה קשורים ישירות לקלט המעובד שנלקח בחשבון בתחזית. כדי לקבל חשיבות לפי ערוץ, משתמשים ב-Grad-CAM לחישוב גרדיאנטים של המחלקה החזויה באמצעות מפות תכונות של שכבת הקונבולוציוניה הסופית. גרדיאנטים אלו ממוצעים ברחבי העולם לקבלת מקדמי המשקל, ואז מוכפלים במפות התכונות המתאימות ליצירת מפת חום לוקליזציה (משוואות 16 ו-17). מפת החום מועברת לאחר מכן לרזולוציה הנכנסת ומונחת על גבי תמונת האולטרסאונד כדי להצביע על אזורים בעלי עניין אבחנתי (כגון שולי הגידול, שינויים במרקם וכו') בתמונה. הדמיה זו מציעה הבנה מרחבית של האזורים שבהם נעשה שימוש לחיזוי במודל. מאמר זה מודד את הפרשנות באמצעות ניתוח חזותי של לוקליזציה של תשומת הלב. הם לא כללו מדדים כמותיים של לוקליזציה והערכה מבוססת קלינאים, שעדיין מהווים דרכים חשובות לאימות עתידי של רלוונטיות קלינית.

figure-protocol-20      

figure-protocol-21      

Grad-CAM מספק תחזיות כיצד מודל פועל ויזואלית על ידי הדגשת אזורים בתמונה שתרמו לחיזוי. מפות החום יכולות לשמש לאישור שהרשת מתמקדת במבנים קליניים רלוונטיים הכוללים שולי גידול ודפוסים אקוסטיים. באזעקות שווא, הוויזואליזציות יכולות לסייע בזיהוי מיקוד באזורים לא רלוונטיים, לסייע בהערכת מודלים ואופטימיזציה. התאמה כזו בין תכונות רפואיות לתשומת הלב של המודל משפרת את יכולת הפרשנות של אבחון בסיוע בינה מלאכותית. איור 6 מציג את ההדמיה של GradCAM.

figure-protocol-22
איור 6: ויזואליזציה של GradCAM. מפת חום Grad-CAM המציגה אזורים חשובים (אדום = גבוה, כחול = נמוך) לסיווג; עוצמת הצבע מצביעה על חשיבות התכונה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

Grad-CAM מתווסף כדי להגדיל את יכולת הפרשנות של מודל EfficientNet-B0 על ידי הדגשת אזורי תמונה שתורמים את המקסימום לבחירות הסיווג. מפות החום המתקבלות מצביעות על מבנים קליניים משמעותיים של שולי הגידול ושינויים במרקם, המאפשרים ניתוח ברור של תחזיות המודלים. דיוק הסיווג הגבוה והפרשנות הוויזואלית הללו מחזקים את המסגרת המוצעת מבחינת אמינות בניתוח תמונות האולטרסאונד של השד.

7. ניתוח סטטיסטי

המודל מוערך על בסיס סט גדול של מדדים, כגון דיוק, כמדד לדיוק התחזיות החיוביות; לזכור, כמדד ליעילות המודל בזיהוי כל המקרים הרלוונטיים; וציון F1, הממוצע ההרמוני של דיוק ושחזור, המספק מדד מאוזן לביצועים כוללים המחושבים מתמטית לפי משוואות 18–21.

figure-protocol-23      

figure-protocol-24      

figure-protocol-25      

figure-protocol-26      

שגיאת ממוצעת מוחלטת (MAE) מכמת את ההפרש המוחלט הממוצע בין תחזיות לערכים אמיתיים, מחושב מתמטית לפי משוואה 22.

figure-protocol-27      

שגיאת ממוצע ריבוע שורש (RMSE) מודדת את הסטייה הממוצעת של תחזיות מערכים אמיתיים, מחושבת מתמטית לפי משוואה 23.

figure-protocol-28      

שגיאת אבסולוטית ממוצעת (MAE) מכמת את ההפרש האבסולוטי הממוצע בין תחזיות לערכים אמיתיים, מחושב מתמטית לפי משוואה 24.

figure-protocol-29      

מטריצת בלבול משמשת כדי לספק פירוט מפורט של חיוביים אמיתיים, שליליים אמיתיים, חיוביים שגויים ושליליים שגויים לפי מחלקה, ומספקת מידע נוסף על אופן סיווג המודל30. מדדים אלו של הערכה בשילוב מספקים הערכה כוללת של שגיאת המודל, חוזק והכללה על נתונים שלא נצפו, ולכן הופכים אותו לכלי אמין לסיווג תמונות של אולטרסאונד שד. הזמינות של מסכות נגעים במאגר הנתונים של BUSI מרמזת שבעתיד ניתן להכניס מדדי לוקליזציה כמותיים, לדוגמה, חיתוך מעל איחוד, כדי להעריך באופן אובייקטיבי את דיוק ההסבר. אימות ההחזקה השכבתית נבחר כדי לשמור על העצמאות בין תת-הקבוצות של האימון וההערכה ששומרות על התפלגות המחלקה. הסיבה לאי שימוש באימות הדדי הייתה למנוע חשיפה חוזרת של דגימות אימות לתהליך האופטימיזציה, אך במחקרים עתידיים ישמשו אימות צולב חוזר או מקונן כדי לקבוע שינויים נוספים בביצועים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

סטנדרטיזציה של ממדי קלט ל-24 על 224 פיקסלים ונירמול מבוסס ImageNet אפשרו התנהגות אימון יציבה והתכנסות חלקה של עקומות האובדן. יישום פעולת שכבת המסכה על דגימות אימון הגדיל משמעותית את הנראות של גבולות הנגעים בהשוואה לתמונות אולטרסאונד גולמיות. תצפית זו תמכה בהשערה ששיפור מונחה אנטומית משפר את יכולת ההפרדה בין התכונות. בעוד ששלב האימון השתמש בשכבות אלו, מערכות האימות והבדיקה נשארו כבקרות ללא שיפורי מסכה; הביצועים העקביים בין קבוצות אלו הוכיחו שהמודל למד סמנים אנטומיים פנימיים במקום להסתמך ע...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

המסגרת המוצעת עושה שימוש בארכיטקטורת EfficientNet-B0 מכווננת היטב המשולבת עם מיפוי הפעלה מחלקתי משוקלל (Grad-CAM) כדי לספק מערכת בעלת ביצועים גבוהים וניתנת לפרשנות לסיווג אולטרסאונד של השד. מחקר זה מקדם את התחום המדעי על ידי גישור על הפער בין מודלים של למידה עמוקה "קופסה שחורה" לשקיפות קלינית, ומדגים כי אין צורך להקריב יעילות חישובית לטובת הסבר40. על ידי יישום עיבוד מוקדם מודע לנגעים והגדלה ממוקדת, המחקר מספק מתודולוגיה איתנה לטיפול באי-איזונים מחלקתיים הטבועים במ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

המחברים מצהירים שאין להם ניגודי עניינים.

תודות

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

המחברים רוצים להודות בכנות למוסדותיהם ולעמיתיהם על התמיכה והעידוד המתמשכים לאורך כל המחקר הזה. המחברים גם מודים ליוצרי מאגר הנתונים של BUSI Breast Ultrasound על מתן מאגר הנתונים הזמין לציבור שאפשר מחקר זה. עבודה זו נתמכה על ידי פרויקט התמיכה של אוניברסיטת הנסיכה נורחבינט עבדולרחמן (מספר פרויקט התמיכה PNURSP2026R432 של חוקרי האוניברסיטה), אוניברסיטת הנסיכה נורא בינת עבדולרחמן, ריאד, ערב הסעודית. המחברים מביעים את תודתם לדיקן המחקר והלימודים המתקדמים באוניברסיטת המלך חאליד על מימון העבודה הזו באמצעות מחקר קבוצות גדולות תחת מענק מספר RGP2/749/46.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
תמונות אולטרסאונד של השד (קבוצת נתונים BUSI)N/A780 תמונות PNG (487 שפירים, 210 ממאירים, 133 נורמליים)
Matplotlibמפתחי MatplotlibN/Aגירסה 3.7.1
NumPyמפתחי NumPyN/Aגירסה 1.23.5
NVIDIA Tesla T4 GPUNVIDIAN/A16GB VRAM
OpenCVOpenCV.orgN/Aגירסה 4.7.0
Pillow (PIL)ספריית הדמיה בפייסטוןN/Aגירסה 9.4.0
פייסטוןקרן התוכנה של פייסטוןN/Aגירסה 3.9.12
PyTorchMeta AIN/Aגירסה 2.0.1+cu117
Scikit-learnמפתחי Scikit-learnN/Aגירסה 1.2.2
Seabornמפתחי SeabornN/Aגירסה 0.12.2
מערכת ההפעלה UbuntuCanonicalN/A64 סיביות

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Ultrasound ImagesDeep LearningEfficientNet B0Data AugmentationGrad CAMLesion DetectionClinical Diagnosis

מאמרים קשורים