Research Article

肺がんおよび大腸がんの組織病理画像の分類強化のための効率的なNetB7ベースのディープラーニングフレームワーク

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

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

ここでは、肺がんおよび大腸がんの組織病理画像を正確に分類するためのEfficientNetB7モデルを用いた深層学習システムを導入します。前処理、データ増強、転移学習の適用により、モデルの精度は96%に達しました。この方法は臨床がん診断の支援に高い可能性を持っています。

Abstract

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

肺がんの早期診断は、患者の治療と生存率の向上に重要な役割を果たします。これは臨床研究における主要な焦点となっています。人工知能(AI)は診断の正確性と効率を大幅に向上させ、病理学を変革しました。本研究は、事前学習済みのEfficientNetB7モデルという堅牢な深層学習モデルを提示し、大腸および肺組織の組織病理学的画像を96%という非常に高い精度で分類します。モデルの性能は、高度な前処理手法、ファインチューニング、ドメイン固有のデータ拡張技術を用いて最適化されました。これらの戦略は、クラスの不均衡や微妙な組織学的変異などの問題を減らすのに役立ちます。過学習の問題に対処するため、複数のデータ拡張技術を組み合わせ、早期停止基準が組み込まれました。このアプローチにより、効率的かつコスト効率の高い訓練が可能となりました。モデルの堅牢な検証は臨床応用における高い有用性を示し、病理医がタイムリーかつ正確な診断を提供できるようにします。高度なディープラーニングモデルを医療画像ワークフローに統合することは、早期かつ正確ながん診断に大きな期待を秘め、最終的には患者の治療結果の向上につながります。

Introduction

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

肺がんと大腸がんは、死亡率の観点から世界で最も多く見られるがんの一つです。肺がんは年間180万人以上の死亡を伴う主要な致命的ながんであり、世界的な健康統計によると、大腸がんが第3位に多い悪性腫瘍、そしてがん死亡率の第2位に多い原因となっています。正確かつ早期の診断は、これらのがんの効果的な治療と生存率向上のために非常に重要です。組織病理学的検査、すなわち病理医による組織サンプルの顕微鏡的評価は、がんを検出する最も一般的な方法の一つです。図1は複数の肺および大腸組織の組織病理学的画像を示しています。

figure-introduction-1
図1:データセットからのサンプル画像。 この図はLC25000データセット内の各クラスの代表例を示し、良性および悪性肺および大腸組織....

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

Protocol

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

この研究は、人間の参加者や動物を直接対象とした実験は含まれていません。すべての研究は、患者情報を特定できず、ヒト組織の直接的な取り扱いも含まれない、公開されている匿名化されたLC25000組織病理画像データセットを用いて行われました。機関審査委員会(IRB)や機関動物ケア・利用委員会(IACUC)の承認は必要ありませんでした。すべての手続きは倫理基準に準拠し、学術研究におけるデータセットの利用規約を遵守していました。 図2 はワークフロー図のステップを示しています。

figure-protocol-1
図2:提案手法のワークフロー。 ワークフローには、データの前処理、拡張、モデルトレーニング、評価が含まれます。

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

Results

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

図4 はトレーニングと検証の精度を示しています。 図5 は訓練および検証の損失を示しています。

figure-results-1
図4:エポックごとのトレーニングおよび検証精度。 この図は、すべての時代におけるトレーニングセットと検証セットの精度の進展を示し、トレーニング中にモデルのパフォーマンスがどのように変化するかを示しています。

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

Discussion

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

EfficientNetB7深層学習アーキテクチャにおける誤ったラベル付けインスタンスの批判的レビューでは、モデルの予測値が検証データセット内の実際のラベルと一致しないインスタンスに対して重要な検証が行われます。批判的分析は、特にモデルが肺や結腸組織のさまざまな組織病理的特徴を誤分類している場合、分類の誤りを分析する上で極めて重要です11。手順は、検証セット内のすべての画像に対してクラス予測を行い、それらを真の分類と比較することです。誤分類された画像はインデックスで示され、予測ラベルと実際のラベルが一致しません。誤分類された画像のうち、通常5枚は視覚的に表示され、予測ラベルと実際のラベルの両方が付けられています。このグラフィック表示は、モデルが犯している誤りの種類を明確に示し、誤分類がなぜ起こるのかのアイデアを助けてくれます。この鋭い集中力は、モデルが前処理技術、データ拡張プロセス、モデルアーキテクチャの変更において調整や改善が.......

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

Disclosures

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

著者たちは、この原稿の出版に関して利益相反はないと宣言しています。本研究、結果、結論に金銭的または個人的な関係は一切影響を与えていません。

Acknowledgements

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

この研究は、サウジアラビア・リヤドのプリンセス・ヌーラ・ビント・アブドゥルラフマン大学研究支援プロジェクト番号(PNURSP2026R195)によって支援されています。著者らは、本研究を大規模グループ研究(助成番号RGP2/749/46)を通じて提供してくださったキング・カリード大学研究・大学院学部長に感謝の意を表します。

....

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
A100 GPU(CUDA)NVIDIACUDA バージョン 11.0モデルの学習と評価のためのGPUアクセラレーション。
カグル・プラットフォームグーグル該当なし機械学習モデル開発のためのクラウドベースのノートブック
ケラステンソルフロー(Google)バージョン 2.6.0TensorFlow上で動作するディープラーニングAPI。
LC25000ボルコウスキー AA、ブイ MM、トーマス LB、ウィルソン CP、デランドLA、マストリデス SM. 肺および大腸がん組織病理画像データセット(LC25000)該当なしこのデータセットには、5つのクラスに分かれた25,000枚の組織病理学的画像が含まれています。すべての画像は768×768ピクセルのサイズで、jpegファイル形式です。
MatplotlibPythonソフトウェア財団バージョン 3.5.0結果をプロットするための可視化ライブラリ。
NumPyPythonソフトウェア財団バージョン 1.19.5数値計算ライブラリ。
OpenCVオープンソースバージョン 4.5.4画像処理およびコンピュータビジョンライブラリ。
パンダPythonソフトウェア財団バージョン 1.3.4データ分析および操作ツール。
Python(Anacondaディストリビューション)アナコンダ社バージョン 3.7.12プリインストール済みのパッケージや環境管理ツールが含まれています。
Scikit-learn(シキット学習)Pythonソフトウェア財団バージョン 0.23.2パフォーマンス評価のための機械学習ツール。
テンソルフローグーグルバージョン 2.6.2拡散モデルのためのディープラーニングフレームワーク。

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.

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