Framework di deep learning basato su EfficientNetB7 per una classificazione migliorata delle immagini istopatologiche del cancro ai polmoni e al colon

Summary

Qui introduciamo un sistema di deep learning con il modello EfficientNetB7 per la classificazione precisa delle immagini istopatologiche del cancro ai polmoni e al colon. Il modello ha ottenuto una precisione del 96% con l'applicazione di preprocessing, aumento dei dati e transfer learning. Il metodo ha grandi prospettive di supporto alla diagnosi clinica del cancro.

Abstract

La diagnosi precoce del tumore ai polmoni gioca un ruolo fondamentale nel garantire un trattamento migliore e la sopravvivenza dei pazienti. Questo rimane un tema centrale nella ricerca clinica. L'intelligenza artificiale (IA) ha trasformato la patologia migliorando significativamente la precisione e l'efficienza diagnostica. Questo studio presenta un modello di deep learning robusto sotto forma del modello pre-addestrato EfficientNetB7 per classificare immagini istopatologiche del colon e del tessuto polmonare con un'accuratezza estremamente elevata del 96%. Le prestazioni del modello sono state ottimizzate utilizzando metodi avanzati di preprocessing, fine-tuning e tecniche di aumento dati specifiche per dominio. Queste strategie aiutano a ridurre problemi come lo squilibrio di classe e le sottili variazioni istologiche. Per affrontare il problema dell'overfitting, sono state combinate più tecniche di aumento dei dati e è stato incorporato un criterio di arresto precoce. Questo approccio ha permesso una formazione efficiente ed economica. Una validazione robusta del modello dimostra un'elevata utilità per applicazioni cliniche e consente ai patologi di fornire diagnosi tempestive e accurate. Integrare modelli avanzati di deep learning nei flussi di lavoro di imaging medico offre grandi promesse per una diagnosi precoce e accurata del cancro, migliorando infine gli esiti per i pazienti.

Introduction

Il cancro ai polmoni e al colon è tra i tumori più diffusi al mondo in termini di mortalità. Il cancro ai polmoni è il principale cancro fatale con oltre 1,8 milioni di decessi all'anno, seguito dal cancro al colon come terza malignità più diffusa e la seconda causa più comune di mortalità per cancro, secondo le statistiche sanitarie globali. Una diagnosi accurata e precoce è fondamentale per un trattamento efficace e una migliore sopravvivenza di questi tumori. L'esame istopatologico, ovvero la valutazione microscopica dei campioni di tessuto da parte dei patologi, rimane uno dei metodi più frequenti per rilevare il^....

Protocol

Questo studio non ha coinvolto alcuna sperimentazione diretta su partecipanti umani o animali. Tutto il lavoro è stato condotto utilizzando il dataset pubblico di LC25000 anonimizzato di immagini istopatologiche, che non conteneva informazioni identificabili sui pazienti né manipolazione diretta di tessuti umani. Non era richiesta l'approvazione del Comitato di Revisione Istituzionale (IRB) o del Comitato per la Cura e l'Uso degli Animali Istituzionali (IACUC). Tutte le procedure rispettavano gli standard etici e rispettavano i termini di utilizzo del dataset per la ricerca accademica. La Figura 2 mostra ....

Results

La Figura 4 presenta l'accuratezza dell'addestramento e della validazione. La Figura 5 presenta la perdita di addestramento e validazione.

Figura 4: Accuratezza dell'addestramento e della validazione nelle epoche. Questa figura m.......

Discussion

Nella revisione critica delle istanze etichettate erroneamente nell'architettura di deep learning EfficientNetB7, viene effettuato un esame critico su casi in cui le previsioni del modello non corrispondono alle etichette reali all'interno del dataset di validazione. L'analisi critica è di estrema importanza nell'analizzare alcuni errori di classificazione, in particolare quando il modello classifica erroneamente varie caratteristiche istopatologiche dei tessuti polmonari e del colon

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GPU A100 (CUDA)	NVIDIA	CUDA Versione 11.0	Accelerazione GPU per l'addestramento e la valutazione del modello.
Piattaforma Kaggle	Google	N/A	Notebook basato su cloud per lo sviluppo di modelli di machine learning
Keras	TensorFlow (Google)	Versione 2.6.0	API di deep learning che gira sopra TensorFlow.
LC25000	Borkowski AA, Bui MM, Thomas LB, Wilson CP, DeLand LA, Mastorides SM. Dataset di immagini istopatologiche per il cancro ai polmoni e al colon (LC25000)	N/A	Questo dataset contiene 25.000 immagini istopatologiche suddivise in 5 classi. Tutte le immagini sono di 768 x 768 pixel e sono in formato file jpeg.
Matplotlib	Python Software Foundation	Versione 3.5.0	Libreria di visualizzazione per tracciare i risultati.
NumPy	Python Software Foundation	Versione 1.19.5	Libreria di calcolo numerico.
OpenCV	Open Source	Versione 4.5.4	Libreria di elaborazione immagini e visione artificiale.
Pandas	Python Software Foundation	Versione 1.3.4	Strumento di analisi e manipolazione dei dati.
Python (distribuzione Anaconda)	Anaconda Inc	Versione 3.7.12	Include pacchetti preinstallati e strumenti di gestione ambientale.
Scikit-learn	Python Software Foundation	Versione 0.23.2	Strumenti di machine learning per la valutazione delle prestazioni.
TensorFlow	Google	Versione 2.6.2	Framework di deep learning per modelli di diffusione.