EfficientNetB7-gebaseerd deep learning-framework voor verbeterde classificatie van histopathologische beelden van long- en darmkanker

Summary

Hier introduceren we een deep learning-systeem met het EfficientNetB7-model voor de precieze classificatie van histopathologische beelden van long- en colonkanker. Het model behaalde 96% nauwkeurigheid door de toepassing van preprocessing, data-augmentatie en transfer learning. De methode heeft een groot potentieel om de klinische kankerdiagnose te ondersteunen.

Abstract

Vroege diagnose van longkanker speelt een cruciale rol bij het waarborgen van betere behandeling en overleving van patiënten. Dit blijft een belangrijk aandachtspunt in klinisch onderzoek. Kunstmatige intelligentie (AI) heeft de pathologie getransformeerd door de diagnostische nauwkeurigheid en efficiëntie aanzienlijk te verbeteren. Deze studie presenteert een robuust deep learning-model in de vorm van het vooraf getrainde EfficientNetB7-model om histopathologische beelden van colon en longweefsel te classificeren met een extreem hoge nauwkeurigheid van 96%. De prestaties van het model werden geoptimaliseerd met geavanceerde preprocessing-methoden, fine-tuning en domeinspecifieke data-augmentatietechnieken. Deze strategieën helpen problemen zoals klasse-onevenwichtigheden en subtiele histologische variaties te verminderen. Om het probleem van overfitting aan te pakken, werden meerdere data-augmentatietechnieken gecombineerd en werd een criterium voor vroege stoping opgenomen. Deze aanpak maakte efficiënte en kosteneffectieve training mogelijk. Robuuste validatie van het model toont een hoge bruikbaarheid voor klinische toepassingen en stelt pathologen in staat tijdige en nauwkeurige diagnoses te stellen. Het integreren van geavanceerde deep learning-modellen in medische beeldvormingsworkflows biedt veel potentie voor vroege en nauwkeurige kankerdiagnoses, wat uiteindelijk de patiëntuitkomsten verbetert.

Introduction

Long- en darmkanker behoren tot de meest voorkomende kankers ter wereld wat betreft sterfte. Longkanker is de belangrijkste dodelijke kanker met meer dan 1,8 miljoen sterfgevallen per jaar, gevolgd door darmkanker als de derde meest voorkomende maligniteit en de op één na meest voorkomende oorzaak van kankersterfte, volgens wereldwijde gezondheidsstatistieken. Nauwkeurige en vroege diagnose is cruciaal voor effectieve behandeling en verbeterde overleving van deze kankers. Histopathologisch onderzoek, of microscopische evaluatie van weefselmonsters door pathologen, blijft een van de meest voorkomende methoden^{om kanker....}

Protocol

Deze studie omvatte geen directe experimenten op menselijke deelnemers of dieren. Al het werk werd uitgevoerd met behulp van de publiek beschikbaare, geanonimiseerde LC25000 dataset van histopathologische beelden, die geen identificeerbare patiëntinformatie of directe behandeling van menselijk weefsel bevatte. Goedkeuring van de Institutional Review Board (IRB) of de Institutional Animal Care and Use Committee (IACUC) was niet vereist. Alle procedures voldeden aan ethische normen en hielden zich aan de gebruiksvoorwaarden van de dataset voor academisch onderzoek. Figuur 2 toont de stappen van het workflow....

Results

Figuur 4 toont de training en validatie nauwkeurigheid. Figuur 5 toont het trainings- en validatieverlies.

Figuur 4: Nauwkeurigheid van training en validatie over tijdperken. Deze figuur toont de progressie van nauwkeurigheid voo.......

Discussion

Bij de kritische review van verkeerd gelabelde instanties onder de EfficientNetB7 deep learning-architectuur wordt een kritisch onderzoek uitgevoerd op gevallen waarbij modelvoorspellingen niet overeenkomen met echte labels binnen de validatiedataset. Kritische analyse is van groot belang bij het analyseren van bepaalde classificatiefouten, vooral wanneer het model verschillende histopathologische kenmerken van long- en dikke darmweefsel verkeerd classificeert¹¹. .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (CUDA)	NVIDIA	CUDA Version 11.0	GPU acceleration for model training and evaluation.
Kaggle Platform	Google	N/A	Cloud based Notebook for Machine Learning Model Development
Keras	TensorFlow (Google)	Version 2.6.0	Deep learning API running on top of TensorFlow.
LC25000	Borkowski AA, Bui MM, Thomas LB, Wilson CP, DeLand LA, Mastorides SM. Lung and Colon Cancer Histopathological Image Dataset (LC25000)	N/A	This dataset contains 25,000 histopathological images with 5 classes. All images are 768 x 768 pixels in size and are in jpeg file format.
Matplotlib	Python Software Foundation	Version 3.5.0	Visualization library for plotting results.
NumPy	Python Software Foundation	Version 1.19.5	Numerical computing library.
OpenCV	Open Source	Version 4.5.4	Image processing and computer vision library.
Pandas	Python Software Foundation	Version 1.3.4	Data analysis and manipulation tool.
Python (Anaconda Distribution)	Anaconda Inc	Version 3.7.12	Includes pre-installed packages and environment management tools.
Scikit-learn	Python Software Foundation	Version 0.23.2	Machine learning tools for performance evaluation.
TensorFlow	Google	Version 2.6.2	Deep learning framework for diffusion models.