Een verklaarbare, op AI gebaseerde transfer learning-methode voor borstkankervoorspelling

Samenvatting

Een uitlegbaar transfer-learning-protocol met behulp van EfficientNet-B0 en Grad-CAM is ontwikkeld voor het classificeren van borst-echobeelden in goedaardige, kwaadaardige en normale categorieën, en biedt interpreteerbare diagnostische heatmaps die geschikt zijn voor klinische beslissingsondersteuningstoepassingen.

Samenvatting

Borstkankeridentificatie via echografie vereist hoge nauwkeurigheid en transparantie om clinici te helpen passende beslissingen te nemen. Dit werk demonstreert een deep learning-systeem voor de classificatie van borst-echobeelden in goedaardige, kwaadaardige en normale beelden met behulp van de EfficientNet-B0-architectuur, fijn afgesteld op de Breast Ultrasound Identification (BUSI) dataset. Om klassenonevenwicht te beperken en het netwerk te stabiliseren, wordt data-augmentatie toegepast, inclusief willekeurige horizontale omkering, rotatie en kleurtrilling. Gradient-weighted Class Activation Mapping (Grad-CAM) wordt gebruikt om visuele verklaringen te genereren door interessegebieden zoals tumorranden en textuurpatronen te identificeren. Het model behaalde een gemiddelde nauwkeurigheid van 99%, wat een hoge effectiviteit in het opsporen van laesies aantoont. De integratie van Explainable AI (XAI) verbetert niet alleen het diagnostisch vertrouwen, maar overbrugt ook de kloof tussen klinische praktijk en AI. De resultaten bewijzen het potentieel om hoogwaardige deep learning-modellen te combineren met interpreteerbare methoden bij het ontwikkelen van betrouwbare borstkankerdiagnosetools die geschikt zijn voor de praktijk in de klinische praktijk.

Inleiding

Borstkanker is een van de meest levensbedreigende ziekten die vrouwen wereldwijd treft. Volgens de Wereldgezondheidsorganisatie (WHO) draagt borstkanker bij aan het merendeel van de kankergerelateerde sterfgevallen, en is vroege diagnose cruciaal om de overlevingskans te verhogen¹. Echografie is een routinematige diagnostische procedure voor borstkanker geworden omdat het veilig, goedkoop is en realtime beelden kan produceren. In tegenstelling tot mammografie is echografie uiterst effectief in het onderscheiden van vaste massa's en groei die vocht bevatten en dient daarom als een uitstekend diagnostisch hulpmiddel bij aanwezigheid van borstpathologie. De interpretatie van het echografisch beeld is zeer subjectief en afhankelijk van hooggeplaatste expertise, wat leidt tot variabiliteit in diagnose en mogelijke menselijke fouten.

In de afgelopen jaren hebben AI en deep learning enorme mogelijkheden getoond in het automatiseren van medische beeldanalyse. Modellen gebaseerd op deep learning, met name CNN's, blinken uit in objectsegmentatie, detectie en classificatie². De adoptie van AI in de gezondheidszorg wordt echter belemmerd door het "black-box"-karakter van deze modellen. De term "black-box" verwijst naar het gebrek aan transparantie in hoe een model tot een specifieke conclusie komt; Hoewel de invoer en uitvoer bekend zijn, blijven de interne logica en specifieke kenmerken die worden gebruikt om een klinische voorspelling te doen verborgen voor de gebruiker.

De motivatie voor dit werk komt voort uit de dringende behoefte aan betrouwbare instrumenten ter ondersteuning van de vroege diagnose van borstkanker, wat wereldwijd een belangrijke oorzaak van vrouwelijke sterfte blijft. Hoewel deep learning-modellen zeer effectief zijn, beperkt hun gebrek aan interpreteerbaarheid de integratie in klinische omgevingen³. Het huidige werk pakt deze hiaten aan door EfficientNet-B0 toe te passen voor high-performance classificatie en integratie van Explainable AI (XAI)-technieken, zoals Grad-CAM, om visuele inzichten te bieden in het besluitvormingsproces van het model. Door transparantie en nauwkeurigheid in balans te brengen, streeft deze studie ernaar een betrouwbaar AI-systeem te ontwikkelen dat degelijke diagnostische ondersteuning biedt aan clinici. XAI-methoden onthullen de onderliggende redenering van modelvoorspellingen, waardoor clinici resultaten kunnen verifiëren en de kloof kunnen overbruggen tussen klinische praktijk en geautomatiseerde systemen⁴. Bij de classificatie van borstecho's zorgt deze interpreteerbaarheid ervoor dat AI-gebaseerde diagnoses zowel accuraat als klinisch verantwoordbaar zijn.

Ondanks vooruitgang in deep learning is de classificatie van borst-echografie niet zonder uitdagingen, waaronder een klassenonevenwicht, waarbij minderheidsgroepen zoals kwaadaardige tumoren ondervertegenwoordigd zijn, wat leidt tot bevooroordeelde modellen⁵. Het gebrek aan interpreteerbaarheid in deep learning-modellen maakt het moeilijk toe te passen in de klinische praktijk, omdat clinici transparante besluitvorming nodig hebben. Beperkingen op de dataset zoals beperkte grootte en diversiteit beperken de generaliseerbaarheid van de modellen, terwijl de complexe beeldkenmerken van beelden in echografie, zoals tumorranden en textuur, moeilijk te leren^{zijn 6}. De oplossingen voor de eerder genoemde problemen vereisen een robuust en interpreteerbaar kader dat hoge nauwkeurigheid waarborgt met duidelijk inzicht in modelvoorspelling⁷.

De studie heeft als doel een deep learning-kader te ontwikkelen dat borst-echobeelden kan classificeren in goedaardige, kwaadaardige en normale categorieën, terwijl generalisatie verbetert door gerichte augmentatie voor minderheidsgroepen. Het kader integreert Gradient-weighted Class Activation Mapping om visuele uitleg van voorspellingen te bieden en evalueert prestaties met behulp van nauwkeurigheid, precisie, recall en F1-score, waarmee de geschiktheid als interpreteerbaar klinisch besluitvormingssysteem wordt aangetoond. In tegenstelling tot de verklaarbare, op ultrageluiden gebaseerde studies van borstkanker die eerder werden uitgevoerd, waarbij Grad-CAM vooral wordt gebruikt als post-hoc visualisatie⁸, combineert het voorgestelde raamwerk laesionsbewuste preprocessing en klassebewust leren tijdens de trainingsfase. Grondwaarheidsmaskers van de Breast Ultrasound Images (BUSI) dataset worden over echografie gelegd om de grenzen van laesies en interne echopatronen te markeren bij het extraheren van kenmerken, en selectieve augmentatie wordt toegepast op diagnostische groepen van minderheden om de onbalans in de klassen te verminderen zonder klinisch significante uiterlijke kenmerken^{te veranderen 9}. Deze gecombineerde, door laesies gedreven laesieverbetering, EfficientNet-B0 transfer learning en Grad-CAM verklaarbaarheid is een combinatie die de diagnostische robuustheid verbetert en interpretaties oplevert die consistent zijn met de laesiemorfologie, wat de hypothese rechtvaardigt dat anatomisch geleide laesieverbetering en verklaarbaarheid AI-ondersteunde borstkankerdiagnostiek betrouwbaar en betrouwbaar kunnen maken¹⁰.

Traditionele medische beeldvorming maakte traditioneel gebruik van conventionele beeldverwerkingsmethoden, waarbij filtering, segmentatie en morfologische bewerkingen werden gebruikt om zichtbare structuren voor diagnose^{te identificeren 11}. Deze processen vereisten echter meestal handmatige afstemming en hadden moeite om rekening te houden met de inherente variabiliteit en complexiteit van medische beelden. Zo was de interpretatie van borstecho's historisch afhankelijk van de subjectieve expertise van radiologen, waarbij de identificatie van kwaadaardige en goedaardige laesies afhankelijk was van visuele weergaven die gevoelig waren voor menselijke fouten of misinterpretaties.

De komst van deep learning heeft een transformerende revolutie in medische beeldvorming in gang gezet, voornamelijk door de inzet van Convolutional Neural Networks (CNNs)¹². Hiervan vertegenwoordigt EfficientNet-B0 een belangrijke innovatie, waarbij een compound scaling-methode wordt gebruikt die netwerkdiepte, breedte en resolutie in balans brengt om zeer efficiënte en nauwkeurige berekeningen te bereiken. In de context van borstechobeeldvorming maakt het model gebruik van sequentiële convolutionele lagen om automatisch hiërarchische kenmerken te leren, waardoor subjectieve handmatige feature-extractie effectief wordt geëlimineerd en de diagnostische nauwkeurigheid en betrouwbaarheid aanzienlijk verbeterd¹³. Ondanks dit indrukwekkende potentieel blijft deep learning in medische beeldvorming een zich ontwikkelend vakgebied met onopgeloste uitdagingen. De kwaliteit en beschikbaarheid van data zijn van groot belang, aangezien deep learning-modellen enorme repositories van geannoteerde afbeeldingen vereisen om een succesvolle generalisatie te garanderen. Bovendien vormt het "black-box"-karakter van deze modellen aanzienlijke obstakels voor klinische acceptatie; Ethische zorgen over mogelijke biases in trainingsdata kunnen ook leiden tot scheve of discriminerende diagnostische voorspellingen¹⁴. Daarom vereist dit onderzoek strenge test- en validatieprotocollen om ervoor te zorgen dat de modellen objectief en klinisch solide blijven. Om deze beperkingen aan te pakken, richten de huidige ontwikkelingen in deep learning zich op het verbeteren van de interpreteerbaarheid en robuustheid van modellen. Technieken zoals Gradient-weighted Class Activation Mapping (Grad-CAM), zoals toegepast in deze studie, maken visualisatie mogelijk van specifieke beeldgebieden die de uitkomsten van het model beïnvloeden, waardoor een dieper begrip van modelgedrag wordt bevorderd en klinische besluitvorming wordt ondersteund. Daarnaast faciliteren doorbraken in gefedereerde leerkaders privacybewuste samenwerkingen tussen instellingen, waardoor heterogene data kan worden gebruikt zonder dat ruwe datasets hoeven te worden gedeeld. Dergelijke ontwikkelingen maken geleidelijk betrouwbaardere, interpreteerbare en onbevooroordeelde deep learning-toepassingen in medische beeldvorming mogelijk, wat uiteindelijk de klinische criteria en ^{patiëntenzorg} verbetert.

Het belang van interpreteerbare medische beslissingssystemen¹⁶ is benadrukt door recente vooruitgang in verklaarbare kunstmatige intelligentie. Interpreteerbare kaders: fusie-gebaseerde interpreteerbare kaders hebben betere classificatie en transparantie laten zien door de combinatie van meer dan één kenmerkrepresentatie en meer dan één verklaringsmechanisme¹⁷. Recent onderzoek heeft aangetoond dat er een groot potentieel is om deep learning-modellen te gebruiken in combinatie met de XAI-methoden om het diagnostisch vertrouwen bij borstkankerdiagnose en andere medische voorspellingstaken te vergroten. Deze artikelen ondersteunen de noodzaak van zowel hoog voorspellend als interpreteerbaar redeneren door clinici, wat in lijn is met het doel van de huidige studie om een effectief en begrijpelijk ultrageluidclassificatiesysteem^te creëren.

Tabel 1 toont het literatuuroverzicht en bestaande technologieën.

Studie	Doelstelling	Opmerking
Humayra Afrin et al.(2023)19	Bekijk deep learning-toepassingen voor diagnose en prognose van borstmassa-echo.	De classificatie van de laesie toonde de hoogste prestaties, met minder studies naar prognose.
Gelan Ayana et al. (2022)20	Bekijk ultrageluidsgeleide nanodragers voor borstkankerchemotherapie.	Ultrageluid-responsieve nanodragers verbeteren de medicijnafgifte, maar ondervinden fysiologische barrières.
Valerio Di Paola et al. (2022)21	Analyseer beeldvormingstechnieken voor nauwkeurige N-stadie bij borstkanker.	MRI en ultraklank spelen een belangrijke rol, maar vals-positieven/negatieven beïnvloeden de diagnostische nauwkeurigheid.
Adyasha Sahu et al. (2024)22	Stel een ensemble deep learning-classifier voor voor borstkankerdetectie.	Hoge nauwkeurigheid bereikt met AlexNet, ResNet en MobileNetV2 met LoG en hoge boosting.
Alireza Rezazadeh et al.(2022)23	Ontwikkel een verklaarbare ML-pijplijn voor borstkankerdiagnose met behulp van echografische beelden.	Gebruikt textuurkenmerken en beslissingsboomensembles om de interpreteerbaarheid van voorspellingen te verbeteren.
Asaf Raza et al. (2023)24	Ontwikkel DeepBreastCancerNet voor robuuste opsporing van borstkanker.	Bereikte 99,63% nauwkeurigheid met behulp van een 24-laag architectuur en meerdere optimalisaties.
Kiran Jabeen et al.(2022)25	Stel een deep learning-framework voor met DarkNet-53 en feature fusion.	Bereikte 99,1% nauwkeurigheid met geoptimaliseerde featureselectietechnieken.
Gelan Ayana et al.(2022)26	Ontwikkel multistage transfer learning (MSTL) voor de classificatie van echografie borstkanker.	Verbeterde nauwkeurigheid met behulp van medisch beeldgebaseerd overdrachtsleren met EfficientNetB2, InceptionV3 en ResNet50.
Saksham Gupta et al. (2023)27	Gebruik aangepaste ResNet50 voor de classificatie van echografie voor borstkanker.	Bereikte 97,8% nauwkeurigheid, wat de diagnosetijd verkortte en de vroege detectie verbeterde.
Karl Kratkiewicz et al. (2022)28	Bekijk geavanceerde beeldvormingsmethoden zoals echografie (UST) en fotoakoestische tomografie (PAT).	UST en PAT verbeteren de opsporing van borstkanker met kwantitatieve beeldvorming.

Tabel 1: Toont de literatuur en het overzicht van bestaande technologieën.

Het voorgestelde model is gebaseerd op de prestaties in deep learning bij de classificatie van borst-echobeelden, waarmee de belangrijkste uitdagingen van dit onderzoek worden overwonnen, waaronder de kwaliteit van de data, de interpreteerbaarheid van een model en de efficiëntie van de berekeningen. In tegenstelling tot de oude technieken, waarbij handmatige feature-extractie wordt gebruikt, maken de auteurs in dit werk gebruik van EfficientNet-B0, de nieuwste architectuur, die diepte, breedte en resolutie combineert tot het best werkende schema. Het model gebruikt Grad-CAM om de verklaring van de voorspelling te visualiseren, wat de transparantie en het klinische vertrouwen verhoogt. Hoewel de huidige oplossingen, waaronder ensemblemodellen en transfer learning, zeer nauwkeurig zijn geworden, kunnen ze niet gemakkelijk geïnterpreteerd worden of kunnen ze veel rekenkracht vereisen. Het gepresenteerde werk pakt deze hiaten aan, omdat het zowel zeer nauwkeurig (99) als interpreteerbaar is om te garanderen dat het model betrouwbaar en levensvatbaar is in praktische aspecten van klinische besluitvorming. De voorgestelde benadering, waarbij de focus ligt op de onevenwichtigheid van klassen en praktisch gebruik, is een nieuwe standaard voor AI-gestuurde borstkankerdiagnose.

Het artikel gebruikt een publiek toegankelijke BUSI, een eerder verzamelde set geanonimiseerde klinische beelden. Er waren geen directe menselijke proefpersonen en dieren in deze studie, en dus geen institutionele ethische goedkeuring (IRB/IACUC) nodig. Alle operaties zijn in overeenstemming met de gemeenschappelijke normen voor het secundair gebruik van de publiek beschikbare medische beeldvormingsgegevens.

Protocol

1. Kenmerken van de dataset

De studie maakte gebruik van de openbaar beschikbare Breast Ultrasound Images (BUSI) dataset, die een goed gedocumenteerd archief bood voor de analyse en classificatie van borstkanker²⁹. Deze dataset bleek bijzonder geschikt omdat het een enorme verzameling echobeelden bevatte die nodig waren om deep learning-modellen voor medische beeldvorming op te zetten en te valideren. De dataset bestond uit 780 echobeelden verzameld van 600 vrouwen van 25–75 jaar, die een diverse populatie vertegenwoordigen voor de diagnose van borstkanker. Alle beelden hadden een gemiddelde resolutie van 500 x 500 pixels en maakten gebruik van het PNG-formaat om hoogwaardige visuele data te bewaren voor analyse. Figuur 1 illustreert de algehele workflow van het voorgestelde framework, inclusief preprocessing, augmentatie, EfficientNet-B0 feature-extractie, classificatie en interpreteerbaarheid van Grad-CAM.

Figuur 1: Representatieve steekproeven uit de BUSI-dataset. (A) Goedaardig, (B) Kwaadaardig, en (C) Normale beelden. Panelen illustreren de morfologische diversiteit die voor training wordt gebruikt. Klik hier om een grotere versie van deze figuur te bekijken.

2. Experimentele workflow

Om reproduceerbaarheid te waarborgen, voerde het onderzoek de verwerkingspijplijn in opeenvolgende fasen uit. Eerst laadde het systeem de BUSI-ultrageluidsbeelden en bijbehorende ground-truth-maskers en vergrootte deze tot 224×224 pixels, gevolgd door ImageNet-normalisatie. Ten tweede legde het raamwerk elk beeld over zijn masker om laesiegebieden te benadrukken, voordat de dataset werd opgesplitst in training (70%), validatie (15%) en testen (15%) subsets met behulp van gestratificeerde steekproeven. Ten derde paste de studie gerichte augmentatie toe, bestaande uit horizontale flipping, rotatie (±15°) en kleurtrilling, voornamelijk op de minderheidsgroepen. Ten vierde verfijnden de onderzoekers het EfficientNet-B0-model, dat vooraf was getraind op ImageNet, door de laatste classificatielaag te vervangen door een drie-klassen uitvoerlaag. Het trainingsproces maakte gebruik van de Adam-optimizer (leersnelheid 0,00005), stap leersnelheid afnemen (γ = 0,1 elke 7 epochs), kruis-entropieverlies, een batchgrootte van 8 en vroegtijdig stoppen met een geduld van 2. Tot slot genereerde Grad-CAM aandachtsheatmaps uit de laatste convolutionele laag om diagnostisch relevante gebieden te visualiseren en klinische interpretatie te ondersteunen. De Materiaaltabel vermeldt de essentiële datasets, softwarebibliotheken en hardwareconfiguraties die nodig zijn om het structuur van de classificatie en interpreteerbaarheid van borstecho van de studie te reproduceren.

De BUSI-dataset vertoonde een natuurlijke klassenongelijkheid, een kenmerk dat vaak wordt waargenomen in medische datasets. De verdeling bevoordeelde de goedaardige klasse, gevolgd door kwaadaardige en normale gevallen. Specifiek bevatte de dataset 487 goedaardige, 210 kwaadaardige en 133 normale beelden. Hoewel data-augmentatie de variabiliteit in de training verhoogde, veranderde het de fundamentele steekproeftelling in elke klas niet. Deze verdeling weerspiegelde klinische scenario's in de praktijk waarin goedaardige aandoeningen vaker voorkomen dan kwaadaardige tumoren. Hoewel zo'n onbalans de prevalentie van borstafwijkingen in klinische omgevingen nauwkeurig weergaf, bracht het uitdagingen met zich mee voor deep learning-training, omdat het kon leiden tot bevooroordeelde voorspellingen en suboptimale prestaties voor minderheidsgroepen. Daarom werd het beperken van deze onbalans essentieel om een effectief en generaliseerbaar model te formuleren dat efficiënt presteerde in elke diagnostische categorie. Figuur 2 toont representatieve echografie uit de dataset, met voorbeelden van goedaardige, kwaadaardige en normale borstweefselmonsters.

Figuur 2: Voorgestelde modelworkflow. Sequentiële pijplijn van input en masker-overlay preprocessing naar EfficientNet-B0 training en Grad-CAM output. Klik hier om een grotere versie van deze figuur te bekijken.

3. Voorverwerking van gegevens

De studie vergrootte alle afbeeldingen tot 224 x 224 pixels, in overeenstemming met de standaard invoerafmetingen voor de EfficientNet-B0-architectuur. Deze grootteverkleining zorgde voor consistentie van de dataset en verminderde de rekenbehoeften, zoals gedefinieerd in vergelijking 1.

     

Het framework normaliseerde pixelwaarden met behulp van het gemiddelde en de standaarddeviatie van de ImageNet-dataset ([0,485, 0,456, 0,406] voor gemiddelde en [0,229, 0,224, 0,225] voor standaard). Deze normalisatie schaalde de invoergegevens op om de trainingsstabiliteit en convergentiesnelheid te verbeteren, berekend volgens vergelijking 2.

      

Om de extractie van kenmerken en de identificatie van interessegebieden te verbeteren, hebben de onderzoekers de originele beelden over hun bijbehorende grondwaarheidsmaskers gesuperponeerd. Figuur 3 toont de grondwaarheidsmaskers voor laesies en de daaruit voortvloeiende overliggende echobeelden die tumorgrenzen benadrukten.

Figuur 3: Masker en overliggende afbeeldingen. (A) Originele echo, (B) grondwaarheidsmasker, en (C) resulterende overlay die tumorgrenzen benadrukt voor ruimtelijke aandacht. Klik hier om een grotere versie van deze figuur te bekijken.

Deze overlay identificeerde kritieke gebieden, zoals tumorranden en textuurpatronen, en gaf het model een gelokaliseerde ruimtelijke context om de classificatienauwkeurigheid te verbeteren, zoals getoond in vergelijking 3.

      

De studie maakte uitsluitend gebruik van de masker-overlay operatie tijdens de voorbereiding van trainingsdata om kennis over laesiegrenzen tijdens feature learning aan te vullen. Daarentegen gebruikten de validatie- en inferentiefasen alleen de originele echobeelden zonder maskers, waarbij een conventionele beeldclassificatiepijplijn werd behouden. Omdat de binaire segmentatiemaskers in de BUSI-dataset structuren vertegenwoordigden die al inherent waren aan de echografiebeelden, introduceerden ze geen nieuwe klassenlabels. Om informatielek te voorkomen, verdeelde het onderzoek de dataset in trainings-, validatie- en testsets, zodat er geen overlappende paren van afbeeldingen of maskers tussen subsets werden gedeeld. Daardoor functioneerde de overlay als een ruimtelijke aandachtsgids die anatomisch significante gebieden markeerde zonder de onafhankelijkheid van de evaluatiegegevens in gevaar te brengen.

4. Data-uitbreiding

De studie voerde gerichte data-augmentatie toe om klassenonevenwicht binnen de trainingsset te verminderen, met specifieke focus op de kwaadaardige en normale minderheidsklassen. Het raamwerk maakte gebruik van een breed scala aan transformaties om kunstmatig de variabiliteit van de trainingsdata te vergroten en het model te verbeteren om te generaliseren over diverse beeldvormingscondities.

Ten eerste voerde het systeem horizontale flipping uit met een kans van 0,9 (90%), waardoor het model kenmerken kon herkennen ongeacht de scanrichting. Deze transformatie volgde vergelijking 4:

      

Ten tweede paste het onderzoek willekeurige rotaties toe binnen een bereik van ±15° om variaties in scanhoeken en patiëntpositie te simuleren. Dit proces dwong het model om rotatie-invariante kenmerken te leren, zoals tumormarges en textuurpatronen, zoals gedefinieerd in vergelijking 5:

      

Ten derde gebruikten de onderzoekers kleurtjuttering om variaties in licht, contrast en kleurbalans te simuleren. Het framework paste helderheid, contrast en verzadiging met een factor 0,2 aan, en tint met 0,1. Deze stochastische aanpassingen verbeterden de robuustheid van het model tegen uiterlijksveranderingen, berekend volgens vergelijking 6:

      

De selectie van deze specifieke hyperparameterbereiken (horizontale flip 0,9, rotatie +15, -15, helderheid/contrast/verzadiging 0,2, tint 0,1) was het resultaat van een empirische stabiliteitsbeoordeling. Het onderzoek stelde vast dat deze instellingen de balans tussen diversiteitsgeneratie en anatomisch realisme optimaliseerden, waardoor een stabiele convergentie en stabiele validatienauwkeurigheid werden gegarandeerd zonder onrealistische laesievervormingen te veroorzaken.

5. Modelarchitectuur

De studie maakte gebruik van EfficientNet-B0, een modern CNN-model dat bekendstaat om zijn efficiëntie, schaalbaarheid en prestaties ten opzichte van andere beeldclassificatiearchitecturen. Dit model gebruikte een methode waarbij de diepte, breedte en resolutie van het netwerk proportioneel werden opgeschaald, wat een hoge nauwkeurigheid mogelijk maakte met een aanzienlijk kleiner aantal parameters vergeleken met standaardarchitecturen zoals ResNet en VGG. Deze schaalmethode stelde het framework in staat om beelden met hoge resolutie te verwerken terwijl het computationeel efficiënt bleef, passend bij de specifieke behoeften van medische beeldvorming. Figuur 4 illustreert de architectuur van EfficientNet-B0 en benadrukt de reeks convolutionele en MBConv-blokken die worden gebruikt voor hiërarchische feature-extractie.

Figuur 4: EfficientNet-B0 architectuur. Schema van MBConv-blokken en samengestelde schaalfactoren gebruikt voor hiërarchische feature-extractie. Klik hier om een grotere versie van deze figuur te bekijken.

Om EfficientNet-B0 aan te passen voor de classificatie van borstecho, voerden de onderzoekers specifieke aanpassingen aan in de modelstructuur door. Het systeem verving de initiële classificatielaag, bedoeld voor de 1.000-klasse ImageNet-dataset, met een volledig verbonden (dichte) laag bestaande uit 3 uitvoerneuronen. Het onderzoek stelde alle lagen van de vooraf getrainde EfficientNet-B0-ruggengraat als trainbaar in en optimaliseerde deze samen met de nieuwe classificatielaag, volgens een volledige fine-tuningstrategie. Het trainingsproces paste geen gefaseerd bevriezen of geleidelijk ontdooien toe. Het framework voerde training uit met de Adam-optimizer met een leersnelheid van 0,00005 en een step-learning-rate scheduler die de snelheid elke 7 epochs met een factor 0,1 verlaagde. Deze neuronen kwamen overeen met de drie doelklassen binnen de BUSI-dataset: goedaardig, normaal en kwaadaardig. Het model maakte gebruik van een SoftMax-activatie op de outputlaag, waarbij ruwe scores werden omgezet in kansverdelingen, zoals berekend in vergelijking 7. Tabel 2 toont de beschrijving van de modelarchitectuur.

      

Laagtype	Beschrijving
Invoerlaag	Accepteert afbeeldingen van formaat 224 x 224 x 3
Convolutionele lagen	Bevat initiale convolutie- en MBConv-blokken voor feature-extractie.
Wereldwijde Gemiddelde Pooling	Vermindert ruimtelijke afmetingen tot een 1D-kenmerkvector.
Volledig verbonden laag	Kaartt de featurevector af naar 3 uitgangsneuronen (normaal, goedaardig, kwaadaardig).
SoftMax-activatie	Zet logits om in waarschijnlijkheden voor multi-class classificatie.

Tabel 2: Toont de beschrijving van de modelarchitectuur.

De parameters die werden gebruikt om het model te trainen waren de Adam-optimizer, een initiële leersnelheid van 0,00005, en categorisch kruis-entropieverlies (drie klassen), wiskundig berekend volgens vergelijking 9. ImageNet-voorgetrainde gewichten werden gebruikt om EfficientNet-B0 te initialiseren, volledig getraind, en alle backbone-lagen werden getraind zonder dat er een gestaged freeze werd toegepast. De initiële classifier werd vervangen door een volledig verbonden laag en drie uitgangsneuronen en tenslotte SoftMax-activatie, die goedaardige, kwaadaardige en normale klassen vertegenwoordigde. De beelden werden verkleind tot 224 x 224 pixels, vervolgens genormaliseerd op basis van ImageNet-gemiddelde en standaarddeviatie, en geladen in mini-batches van 8. Een stap-leersnelheidsplanner verlaagde de leersnelheid met 0,1 per 7 epochs. Validatieverlies werd gebruikt om vroegtijdig te stoppen met geduld van 2 epochs om overfitting te voorkomen. Grad-CAM activaties werden geproduceerd op basis van de laatste convolutionele laag door gradiënten te berekenen, globale gemiddelde pooling om kanaalgewichten te verkrijgen, en de activatiekaarten op te schalen naar inputresolutie.

Om die stabiliteit te bevestigen, werd de training herhaald over meerdere runs met Matching validatieprestaties. Monitoring van trainings- en validatieverliescurves werd gebruikt om overfitting te identificeren en een gestratificeerde hold-out testset was niet afhankelijk van training en werd gebruikt voor de definitieve evaluatie. Het verschil tussen validatieprestaties en testprestaties is klein, wat consequente convergentie en optimalisatie-reproduceerbaarheid aantoont. Vergelijking 10 definieert een stapsgewijze leersnelheidsschema. Vergelijking 15 duidt op twee opeenvolgende toename van validatieverlies, wat wijst op mogelijke overfitting.

      

      

      

      

      

      

      

EfficientNet-B0 is bijzonder flexibel voor de taak van borst-echografie-classificatie, omdat de architectuur verschillende innovatieve architectonische aspecten bevat die de efficiëntie en snelheid van de architectuur mogelijk maken. Het centrale onderdeel is de MBConv, die diepte-separeerbare convoluties verenigt met squeeze-and-excitation modules om een lagere rekencomplexiteit te bieden zonder verlies van nauwkeurigheid. Het model ondersteunt ook een schaalverdeling van verbindingen die diepte, breedte en resolutie uniform schalen om optimale prestaties te leveren bij allerlei resourcebeperkingen, en het model is ook taak-agile, wat wiskundig is afgeleid zoals in de volgende vergelijking 8. Het model bevat al gewichten die zijn getraind op de ImageNet-dataset en kan daarom worden overgedragen om te leren, en in aanzienlijke mate hoeft het model niet te trainen op kleine medische datasets. Deze combinatie van high-level functies, evenals de aangepaste trainingsomgeving, die ook de wijzigingen aan de uiteindelijke classificatielaag bevat, het gebruik van de Adam-optimizer, de learning rate scheduler en het vroegtijdig stoppen, zorgt ervoor dat het model zeer nauwkeurig is, maar tegelijkertijd computationeel efficiënt. Deze combinatie van architectonische vindingrijkheid en trainingsmethoden stelt het model in staat efficiënt te leren op basis van de slechte medische beeldvormingsinformatie en vormt daarmee een nuttig instrument bij de categorisering van borst-echografie.

Algoritme 1: Classificatie van borst-echografie met behulp van EfficientNet-B0 en Grad-CAM

Input: Borstecho-afbeeldingen.
Output: Classificatie (normaal, goedaardig, kwaadaardig) en Grad-CAM heatmaps.
1. Preprocess-afbeeldingen:
Verander de grootte naar 224×224224×224.
Normaliseer met ImageNet mean en std.
Versterk met flippen, rotatie en kleurtrilling.
2. Initialiseer het model:
Load EfficientNet-B0 (vooraf getraind, bovenste laag uitsluiten).
Voeg Global Average Pooling en een dichte laag (3 neuronen, SoftMax) toe.
3. Treinmodel:
Optimizer: Adam (leersnelheid = 0,00005).
Verlies: Kruis-entropie.
Train 18 epochs met vroege stops (geduld = 2).
4. Grad-CAM Visualisatie:
Bereken gradiënten van de doelklasse.
Genereer en leg heatmaps over de invoerafbeeldingen.

Het algoritme biedt de workflow voor het classificeren van borstechobeelden met EfficientNet-B0 en Grad-CAM, inclusief preprocessing, training en inferentie van het model, en de interpreteerbare heatmap om klinisch te valideren.

6. Grad-CAM als verklaarbare AI

Een sterk hulpmiddel dat in de studie wordt gebruikt, kan interpreteerbaarheid toevoegen aan het deep learning-model, Gradient-weighted Class Activation Mapping. Met het oog op een oplossing voor de huidige dringende behoefte aan XAI in klinische beeldvorming, maakt de methode gebruik van Grad-CAM om clinici intuïtief de besluitvorming van het model te laten begrijpen via visueel verklaarbare heatmaps rond de meest significante gebieden in een beeld dat in de voorspelling van het model wordt gebruikt. Zo'n convergentie van interpreteerbaarheid zal cruciaal zijn om vertrouwen op te bouwen in AI-systemen, met name systemen met hoge inzet zoals de gezondheidszorg, waar verantwoording en transparantie essentieel zijn. Figuur 5 toont Grad-CAM heatmaps die de beeldgebieden belichten die het meest invloed hadden op de voorspellingen van het model voor goedaardige, kwaadaardige en normale gevallen.

Figuur 5: Grad-CAM activatie-heatmaps. (A) Goedaardig, (B) Kwaadaardig, en (C) Normale gevallen. Warme kleuren (rood) duiden op een hoge diagnostische invloed; Koele kleuren (blauw) duiden op een lagere aandacht. Klik hier om een grotere versie van deze figuur te bekijken.

Alle Grad-CAM-beelden worden getoond naast het invoerbeeld dat het model heeft ontvangen. Figuur 5 toont het originele echobeeld en het model-invoerbeeld om ervoor te zorgen dat de gebieden van nauwlettende aandacht direct gerelateerd zijn aan de verwerkte input die in de voorspelling wordt meegenomen. Om kanaalgewijze belangrijkheid te verkrijgen, wordt Grad-CAM gebruikt om gradiënten van de voorspelde klasse te berekenen met behulp van featuremaps van de uiteindelijke convolutionele laag. Deze gradiënten worden wereldwijd gemiddeld om de wegingscoëfficiënten te verkrijgen, en vervolgens vermenigvuldigd met de respectievelijke featuremaps om een localisatie-heatmap te produceren (vergelijkingen 16 en 17). De heatmap wordt vervolgens opgesampled tot de inputresolutie en over het echobeeld gelegd om gebieden van diagnostisch belang (bijv. tumorranden, veranderingen in textuur, enz.) in de afbeelding aan te geven. Deze visualisatie biedt een ruimtelijk begrip van de gebieden die worden gebruikt om de voorspelling in het model te doen. Dit artikel meet de interpreteerbaarheid van de lokalisatie van aandacht door visuele analyse. Ze includeerden geen kwantitatieve lokalisatie- en clinici-gebaseerde beoordeling, die nog steeds waardevolle wegen zijn voor toekomstige validatie van klinische relevantie.

      

      

Grad-CAM geeft voorspellingen over hoe een model visueel werkt door gebieden van een afbeelding te markeren die aan de voorspelling hebben bijgedragen. De heatmaps kunnen worden gebruikt om te bevestigen dat het netwerk zich concentreert op klinisch relevante structuren, waaronder tumorranden en akoestische patronen. Bij valse alarmen kunnen visualisaties helpen om focus op irrelevante gebieden op te merken, wat helpt bij modelbeoordeling en optimalisatie. Dergelijke correspondentie tussen medische kenmerken en de aandacht van het model verbetert de interpreteerbaarheid van AI-ondersteunde diagnose. Figuur 6 toont de GradCAM-visualisatie.

Figuur 6: GradCAM-visualisatie. Grad-CAM heatmap die belangrijke regio's toont (rood = hoog, blauw = laag) voor classificatie; Kleurintensiteit geeft het belang van het kenmerk aan. Klik hier om een grotere versie van deze figuur te bekijken.

Grad-CAM wordt toegevoegd om de interpreteerbaarheid van het EfficientNet-B0-model te vergroten door beeldgebieden te markeren die de maximale bijdragen leveren aan classificatiekeuzes. De resulterende heatmaps geven klinisch significante structuren van tumorranden en textuurveranderingen aan, wat een duidelijke analyse van modelvoorspellingen mogelijk maakt. Deze hoge classificatienauwkeurigheid en visuele interpreteerbaarheid maken dit voorgestelde kader sterker qua betrouwbaarheid bij het analyseren van de borst-echografiebeelden.

7. Statistische Analyse

Het model wordt geëvalueerd op een grote set meetinstrumenten, zoals precisie, als maat voor de nauwkeurigheid van positieve voorspellingen; herinneren, als maatstaf voor de effectiviteit van het model bij het identificeren van alle relevante gevallen; en de F1-score, het harmonisch gemiddelde van precisie en herinnering, die een evenwichtige maat voor de algehele prestaties bieden die wiskundig worden berekend volgens vergelijkingen 18–21.

      

      

      

      

Gemiddelde absolute fout (MAE) kwantificeert het gemiddelde absolute verschil tussen voorspellingen en werkelijke waarden, wiskundig berekend volgens vergelijking 22.

      

Root Mean Squared Error (RMSE) meet de gemiddelde afwijking van voorspellingen ten opzichte van de werkelijke waarden, wiskundig berekend volgens vergelijking 23.

      

Gemiddelde absolute fout (MAE) kwantificeert het gemiddelde absolute verschil tussen voorspellingen en echte waarden, wiskundig berekend volgens vergelijking 24.

      

De verwarringsmatrix wordt gebruikt om een gedetailleerde uitsplitsing te geven van echte positieven, echte negatieven, valse positieven en valse negatieven per klasse, en geeft meer informatie over hoe het model³⁰ classificeert. Deze evaluatiematen samen bieden een algemene beoordeling van de modelfout, sterkte en generalisatie op niet-waargenomen gegevens en maken het daarom een betrouwbaar hulpmiddel om beelden van een borstecho te classificeren. De beschikbaarheid van laesiemaskers in de BUSI-dataset impliceert dat in de toekomst kwantitatieve lokalisatiematen, bijvoorbeeld de intersection-over-union, kunnen worden geïntroduceerd om de nauwkeurigheid van de verklaring objectief te beoordelen. De gestratificeerde hold-out validatie was gekozen om de onafhankelijkheid tussen de trainings- en evaluatiesubsets te behouden, waarbij de klassenverdeling behouden bleef. De reden om geen kruisvalidatie te gebruiken was om herhaalde blootstelling van validatiemonsters aan het optimalisatieproces te voorkomen, maar in toekomstige studies zullen herhaalde of geneste kruisvalidatie worden gebruikt om variaties in prestaties verder te bepalen.

Resultaten

Standaardisatie van invoerafmetingen tot 24 x 224 pixels en ImageNet-gebaseerde normalisatie faciliteerden stabiel trainingsgedrag en een soepele convergentie van de verliescurves. De toepassing van de masker-overlay werking op trainingsmonsters verhoogde de zichtbaarheid van laesiegrenzen aanzienlijk vergeleken met ruwe echografiebeelden. Deze observatie ondersteunde de hypothese dat anatomisch geleide versterking de kenmerkescheidbaarheid verbetert. Hoewel de trainingsfase gebruikmaakt...

Discussie

Het voorgestelde raamwerk maakt gebruik van een fijn afgestelde EfficientNet-B0-architectuur geïntegreerd met Gradient-weighted Class Activation Mapping (Grad-CAM) om een hoogpresterend, interpreteerbaar systeem te bieden voor borst-echografieclassificatie. Dit onderzoek brengt het wetenschappelijke veld vooruit door de kloof te overbruggen tussen "black-box" deep learning-modellen en klinische transparantie, en toont aan dat rekenkundige efficiëntie niet hoeft te worden opgeofferd voor ...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Borst Ultrageluidbeelden (BUSI-dataset)		N/A	780 PNG-afbeeldingen (487 Goedaardig, 210 Kwaadaardig, 133 Normaal)
Matplotlib	Matplotlib-ontwikkelaars	N/A	Versie 3.7.1
NumPy	NumPy-ontwikkelaars	N/A	Versie 1.23.5
NVIDIA Tesla T4 GPU	NVIDIA	N/A	16 GB VRAM
OpenCV	OpenCV.org	N/A	Versie 4.7.0
Pillow (PIL)	Python Imaging Library	N/A	Versie 9.4.0
Python	Python Software Foundation	N/A	Versie 3.9.12
PyTorch	Meta AI	N/A	Versie 2.0.1+cu117
Scikit-learn	Scikit-learn-ontwikkelaars	N/A	Versie 1.2.2
Seaborn	Seaborn-ontwikkelaars	N/A	Versie 0.12.2
Ubuntu OS	Canonical	N/A	64-bits