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.
이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.
이 논문에서
요약
초록
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.
서론
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.
그림 1: 데이터셋에서 샘플 이미지.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
프로토콜
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.
그림 2: 제안된 방법의 워크플로우. 워크플로우에는 데이터 전처리, 보강, 모델 학습 및 평가가 포함됩니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
결과
그림 4 는 훈련 및 검증 정확도를 보여줍니다. 그림 5 는 훈련 및 검증 손실을 보여줍니다.
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.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
토론
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.......
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
공개 사항
저자들은 이 원고의 출판에 대해 이해 상충이 없음을 선언한다. 재정적 또는 개인적 연계는 이 연구, 결과, 결론에 영향을 미치지 않았습니다.
감사의 글
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.
....액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재료
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| A100 GPU (CUDA) | 엔비디아 | CUDA 버전 11.0 | 모델 학습 및 평가를 위한 GPU 가속. |
| 캐글 플랫폼 | 구글 | 해당 없음 | 머신러닝 모델 개발을 위한 클라우드 기반 노트북 |
| 케라스 | 텐서플로우 (구글) | 버전 2.6.0 | TensorFlow 위에 실행되는 딥러닝 API. |
| LC25000 | 보르코프스키 AA, 부이 MM, 토마스 LB, 윌슨 CP, 델랜드 LA, 마스토리데스 SM. 폐 및 대장암 조직병리학적 이미지 데이터셋 (LC25000) | 해당 없음 | 이 데이터셋에는 5가지 클래스로 구성된 25,000개의 조직병리학적 이미지가 포함되어 있습니다. 모든 이미지는 768 x 768 픽셀 크기이며 jpeg 파일 형식으로 제공됩니다. |
| 매트플롯립 | 파이썬 소프트웨어 재단 | 버전 3.5.0 | 결과 도화를 위한 시각화 라이브러리. |
| 넘버피 | 파이썬 소프트웨어 재단 | 버전 1.19.5 | 수치 컴퓨팅 라이브러리. |
| 오픈CV | 오픈 소스 | 버전 4.5.4 | 이미지 처리 및 컴퓨터 비전 라이브러리. |
| 판다 | 파이썬 소프트웨어 재단 | 버전 1.3.4 | 데이터 분석 및 조작 도구. |
| 파이썬 (아나콘다 배포판) | 아나콘다 주식회사 | 버전 3.7.12 | 사전 설치된 패키지와 환경 관리 도구를 포함합니다. |
| Scikit-learn | 파이썬 소프트웨어 재단 | 버전 0.23.2 | 성과 평가를 위한 머신러닝 도구들. |
| 텐서플로우 | 구글 | 버전 2.6.2 | 확산 모델을 위한 딥러닝 프레임워크. |
참고문헌
- 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).
- Borkowski, A. A., Bui, M. M., Thomas, L. B., Wilson, C. P., DeLand, L. A., Mastorides, S. M., et al.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.