Research Article

폐암 및 대장암 조직병리학적 이미지 분류를 향상시키기 위한 효율적인 NetB7 기반 딥러닝 프레임워크

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

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

여기서는 폐암 및 대장암 조직병리학적 이미지를 정밀하게 분류하기 위한 EfficientNetB7 모델을 활용한 딥러닝 시스템을 소개합니다. 이 모델은 전처리, 데이터 증강, 전이 학습을 적용하여 96%의 정확도를 달성했습니다. 이 방법은 임상 암 진단에 큰 도움이 될 가능성이 높습니다.

Abstract

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

폐암의 조기 진단은 환자의 치료 개선과 생존을 보장하는 데 중요한 역할을 합니다. 이 분야는 임상 연구에서 여전히 주요 초점으로 남아 있습니다. 인공지능(AI)은 진단 정확도와 효율성을 크게 향상시켜 병리학을 혁신했습니다. 본 연구는 사전 학습된 EfficientNetB7 모델의 견고한 딥러닝 모델을 제시하여 대장 및 폐 조직 조직병리학적 이미지를 96%라는 매우 높은 정확도로 분류합니다. 모델의 성능은 고급 전처리 방법, 파인 튜닝, 도메인별 데이터 증강 기법을 통해 최적화되었습니다. 이러한 전략들은 계급 불균형이나 미묘한 조직학적 변이와 같은 문제를 줄이는 데 도움을 줍니다. 과적합 문제를 해결하기 위해 여러 데이터 증강 기법을 결합하고 조기 종료 기준을 도입했습니다. 이 접근법은 효율적이고 비용 효율적인 교육을 가능하게 했습니다. 모델의 견고한 검증은 임상 적용에 높은 유용성을 입증하며, 병리학자들이 시기적절하고 정확한 진단을 제공할 수 있게 합니다. 첨단 딥러닝 모델을 의료 영상 워크플로우에 통합하는 것은 조기 정확한 암 진단에 큰 가능성을 지니고 있으며, 궁극적으로 환자 치료 결과를 개선할 수 있습니다.

Introduction

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

폐암과 대장암은 전 세계적으로 사망률 면에서 가장 흔한 암 중 하나입니다. 폐암은 연간 180만 명 이상의 사망자를 내는 주요 치명암이며, 그 다음으로 세 번째로 많이 발생하는 악성 종양이자 전 세계 보건 통계에 따르면 두 번째로 흔한 암 사망 원인인 대장암입니다. 정확하고 조기 진단은 효과적인 치료와 이 암의 생존율 향상에 매우 중요합니다. 조직병리학적 검사, 즉 병리학자들의 조직 샘플 현미경 평가는 암을 발견하는 가장 흔한 방법 중 하나로 남아 있습니다. 그림 1은 여러 종류의 폐와 대장 조직의 조직병리학적 샘플을 보여줍니다.

figure-introduction-1
그림 1: 데이터셋에서 샘플 이미지.

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

Protocol

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

이 연구는 인간 참가자나 동물을 대상으로 한 직접적인 실험을 포함하지 않았습니다. 모든 연구는 공개된 익명 LC25000 조직병리학적 이미지 데이터셋을 사용하여 수행되었으며, 이 데이터에는 식별 가능한 환자 정보나 인간 조직의 직접적 접근이 포함되어 있지 않았습니다. 기관 검토 위원회(IRB)나 기관 동물 관리 및 사용 위원회(IACUC)의 승인은 필요하지 않았습니다. 모든 절차는 윤리 기준을 준수했으며, 학술 연구 데이터 사용 조건을 준수했습니다. 그림 2 는 워크플로우 다이어그램의 단계를 보여줍니다.

figure-protocol-1
그림 2: 제안된 방법의 워크플로우. 워크플로우에는 데이터 전처리, 보강, 모델 학습 및 평가가 포함됩니다.

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

Results

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

그림 4 는 훈련 및 검증 정확도를 보여줍니다. 그림 5 는 훈련 및 검증 손실을 보여줍니다.

figure-results-1
그림 4: 에포크에 따른 훈련 및 검증 정확도. 이 그림은 모든 시대에 걸쳐 훈련 및 검증 세트의 정확도 변화를 보여주며, 훈련 중 모델 성능이 어떻게 진화하는지를 보여줍니다.

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

Discussion

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

EfficientNetB7 딥러닝 아키텍처 하에서 잘못 라벨링된 인스턴스에 대한 비판적 검토에서, 모델 예측이 검증 데이터셋 내 실제 라벨과 일치하지 않는 경우에 대해 비판적 검토가 수행됩니다. 비판적 분석은 특히 모델이 폐와 대장 조직의 다양한 조직병리학적 특징을 잘못 분류할 때 분류 오류를 분석하는 데 매우 중요합니다11. 절차는 검증 세트 내 모든 이미지에 대해 클래스 예측을 하고 이를 실제 분류와 비교하는 것입니다. 잘못 분류된 이미지는 인덱스를 통해 표시되어 예측된 라벨과 실제 라벨이 일치하지않습니다. 잘못 분류된 이미지 중 하나, 보통 다섯 장은 시각적으로 예측된 라벨과 실제 라벨이 붙어 표시됩니다. 이 그래픽 표시는 모델이 어떤 종류의 오류를 저지르고 있는지 명확하게 보여주며, 왜 오분류가 발생하는지에 대한 아이디어를 찾는 데 도움을 줄 수 있습니다. 이러한 예리한 집중은.......

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

Disclosures

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

저자들은 이 원고의 출판에 대해 이해 상충이 없음을 선언한다. 재정적 또는 개인적 연계는 이 연구, 결과, 결론에 영향을 미치지 않았습니다.

Acknowledgements

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

이 연구는 사우디아라비아 리야드에 위치한 누라 빈트 압둘라흐만 대학교 연구 지원 프로젝트 번호(PNURSP2026R195)의 지원을 받고 있습니다. 저자들은 King Khalid 대학교 연구 및 대학원 학장실에 대규모 그룹 연구를 통해 이 연구를 지원해 준 데 대해 감사의 뜻을 전합니다.

....

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)엔비디아CUDA 버전 11.0모델 학습 및 평가를 위한 GPU 가속.
캐글 플랫폼구글해당 없음머신러닝 모델 개발을 위한 클라우드 기반 노트북
케라스텐서플로우 (구글)버전 2.6.0TensorFlow 위에 실행되는 딥러닝 API.
LC25000보르코프스키 AA, 부이 MM, 토마스 LB, 윌슨 CP, 델랜드 LA, 마스토리데스 SM. 폐 및 대장암 조직병리학적 이미지 데이터셋 (LC25000)해당 없음이 데이터셋에는 5가지 클래스로 구성된 25,000개의 조직병리학적 이미지가 포함되어 있습니다. 모든 이미지는 768 x 768 픽셀 크기이며 jpeg 파일 형식으로 제공됩니다.
매트플롯립파이썬 소프트웨어 재단버전 3.5.0결과 도화를 위한 시각화 라이브러리.
넘버피파이썬 소프트웨어 재단버전 1.19.5수치 컴퓨팅 라이브러리.
오픈CV오픈 소스버전 4.5.4이미지 처리 및 컴퓨터 비전 라이브러리.
판다파이썬 소프트웨어 재단버전 1.3.4데이터 분석 및 조작 도구.
파이썬 (아나콘다 배포판)아나콘다 주식회사버전 3.7.12사전 설치된 패키지와 환경 관리 도구를 포함합니다.
Scikit-learn파이썬 소프트웨어 재단버전 0.23.2성과 평가를 위한 머신러닝 도구들.
텐서플로우구글버전 2.6.2확산 모델을 위한 딥러닝 프레임워크.

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