Research Article

Framework-Deep Learning Framework oparty na EfficientNetB7 do ulepszonej klasyfikacji obrazów histopatologicznych raka płuc i jelita grubego

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

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

Tutaj przedstawiamy system głębokiego uczenia z modelem EfficientNetB7 do precyzyjnej klasyfikacji obrazów histologicznych raka płuc i jelita grubego. Model osiągnął 96% dokładności dzięki zastosowaniu wstępnego przetwarzania, uzupełniania danych i uczenia transferowego. Metoda ta ma duże szanse na wspomaganie klinicznej diagnozy nowotworów.

Abstract

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

Wczesna diagnoza raka płuc odgrywa kluczową rolę w zapewnieniu lepszego leczenia i przeżycia pacjentów. To pozostaje głównym obszarem badań klinicznych. Sztuczna inteligencja (AI) przekształciła patologię, znacząco poprawiając dokładność i efektywność diagnostyki. Badanie to przedstawia solidny model głębokiego uczenia w postaci pretrenowanego modelu EfficientNetB7, który klasyfikuje obrazy histopatologiczne jelita grubego i płuc z niezwykle wysoką dokładnością 96%. Wydajność modelu została zoptymalizowana za pomocą zaawansowanych metod wstępnego przetwarzania, dostrojenia oraz technik rozszerzania danych specyficznych dla danej dziedziny. Strategie te pomagają zmniejszyć problemy takie jak nierównowaga klasowa i subtelne różnice histologiczne. Aby rozwiązać problem nadmiernego dopasowania, połączono wiele technik augmentacji danych i wprowadzono wczesne kryterium zatrzymania. Takie podejście umożliwiło efektywne i opłacalne szkolenia. Solidna walidacja modelu wykazuje wysoką użyteczność w zastosowaniach klinicznych i umożliwia patologom szybkie i precyzyjne stawianie diagnoz. Integracja zaawansowanych modeli głębokiego uczenia w procesach obrazowania medycznego niesie ogromną nadzieję na wczesną i dokładną diagnozę nowotworów, co ostatecznie poprawia wyniki leczenia pacjentów.

Introduction

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

Rak płuc i jelita grubego należy do najczęstszych nowotworów na świecie pod względem śmiertelności. Rak płuc jest wiodącym śmiertelnym nowotworem z ponad 1,8 miliona zgonów rocznie, następnie rak jelita grubego jako trzeci najczęściej występujący nowotwor i druga najczęstsza przyczyna śmiertelności z powodu nowotworów, według globalnych statystyk zdrowotnych. Dokładna i wczesna diagnoza jest kluczowa dla skutecznego leczenia i poprawy przeżycia tych nowotworów. Badanie histopatologiczne, czyli mikroskopowa ocena próbek tkanek przez patologów, pozostaje jedną z najczęściej spotykanych metod wykrywania nowotworów1. Rysunek 1 przedstawia próbkę obrazów histopatologicznych kilku typów płuc i tkanek jelita grubego2.

figure-introduction-1
Rysunek 1: Przykładowe obrazy z zestawu danych. Ten rysunek przedstawia reprezentatywne przykłady z każdej klasy w zbiorze danych LC25000, podkreślając różnorodność wzrokową między łagodnymi i złośliwymi obrazami tkanek płuc i jelita grubego. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Patologia cyfrowa przekształciła branżę, umożliwiając digitalizację preparatów histologicznych, które obecnie diagnozowane są za pomocą zaawansowanych algorytmów głębokiego uczenia3. W połączeniu z modelami uczenia głębokiego algorytmy doskonale rozpoznają subtelne wzorce w dużych danych, co znacząco zwiększa dokładność i efektywność diagnozy. Tabela 1 przedstawia opis każdej klasy tkanek.

Nazwa klasyOpis
Tkanka nieszkodliwa płucNienowotworowa tkanka w płucach, niezaangażowana w wzrost rakowy.
Gruczolacz płucTo rodzaj raka płuca wywodzącego się z tkanki nabłonkowej gruczołów, znany z złośliwych wzorców wzrostu.
Rak płaskonabłonkowy płucaRodzaj raka płuca wyróżniający się określoną morfologią komórkową, która powstaje z komórek płaskokątnych wyściełających drogi oddechowe.
Gruczolakot jelita grubegoWiększość przypadków raka jelita grubego jest spowodowana powszechnym rodzajem raka jelita grubego, który zaczyna się w komórkach gruczołowych błony śluzowej jelita grubego.
Tkanka łagodna jelita grubegoZdrowa tkanka w jelicie grubym, która nie wykazuje żadnych oznak schorzeń nowotworowych lub przedrakowych.

Tabela 1: Przegląd pięciu klas tkanek i nowotworów w zbiorze danych, w tym nazwy klas, cechy oraz liczbę obrazów w każdej klasie.

EfficientNetB7, nowoczesna architektura splotowych sieci neuronowych, została uznana za szczególnie skuteczną do zadań klasyfikacji obrazów ze względu na zrównoważone skalowanie pod względem głębokości, szerokości i rozdzielczości. W porównaniu z szeroko stosowanymi architekturami, takimi jak ResNet i DenseNet, EfficientNetB7 osiąga lepszą równowagę między dokładnością klasyfikacji a efektywnością obliczeniową dzięki skalowaniu złożonemu, które proporcjonalnie skaluje głębokość, szerokość i rozdzielczość sieci. Chociaż ResNet i DenseNet wykazały solidne wyniki w zadaniach klasyfikacji obrazów medycznych, zazwyczaj wymagają większej liczby parametrów i większych zasobów obliczeniowych, aby osiągnąć porównywalną dokładność, co czyni EfficientNetB7 bardziej odpowiednim do analiz histopatologicznych na dużą skalę w warunkach klinicznych o ograniczonych zasobach4. Zastosowanie zaawansowanych modeli obliczeniowych, w tym narzędzi AI takich jak EfficientNetB7, oferuje nowe możliwości pokonywania tradycyjnych wyzwań diagnostycznych, dostarczając narzędzia wspierające patologów i potencjalnie poprawiające wyniki diagnostyczne. Integracja AI z praktyką patologiczną mogłaby zdemokratyzować dostęp do wysokiej jakości usług diagnostycznych, umożliwiając regionom o ograniczonej wiedzy medycznej wykonywanie zaawansowanej diagnostyki.

Najnowsze badania benchmarkowe oraz kompleksowe przeglądy analizy obrazów medycznych konsekwentnie podkreślają rosnący wpływ architektur głębokiego uczenia w histopatologii5. Analizy na dużą skalę wykazały, że konwolucyjne sieci neuronowe i ich nowoczesne warianty zapewniają najnowocześniejsze wyniki w identyfikacji subtelnych cech morfologicznych w różnych typach tkanek, często przewyższając tradycyjne metody diagnostyczne. Oceny porównawcze podkreślają, że zaawansowane architektury, w tym EfficientNet i inne modele skalowalne, nie tylko osiągają wyższą dokładność klasyfikacji, ale także wykazują poprawę efektywności obliczeniowej6. Ponadto systematyczne przeglądy patologii cyfrowej podkreślają jej transformującą rolę w rutynowej diagnostyce, umożliwiając powtarzalność, redukcję zmienności między obserwatorami oraz integrację z automatycznymi potokami. Te zbiorowe wyniki potwierdzają znaczenie wdrażania zaawansowanych modeli głębokiego uczenia do klasyfikacji nowotworów histopatologicznych i dostarczają mocnych dowodów na to, że zastosowanie skalowalnych i wydajnych architektur może rozwiązać wyzwania kliniczne, takie jak nierównowaga klas, zmienność histologiczna oraz ograniczona dostępność ekspertów patologów.

Cele tych badań to (i) stworzenie i ocena modelu głębokiego uczenia do kategoryzacji obrazów histopatologicznych raka płuc i jelita grubego na podstawie architektury EfficientNetB7; (ii) Wykazanie zdolności modelu do osiągnięcia wysokiej dokładności klasyfikacji, potencjalnie przewyższającej tradycyjne metody diagnostyczne; (iii) Badanie wpływu augmentacji danych, technik wstępnego przetwarzania oraz uczenia transferowego na wydajność modelu w kontekście specyficznym dla danej dziedziny.

Badanie to nie tylko pokazuje wysoką dokładność diagnostyczną osiągalną dzięki EfficientNetB7 na obrazach histopatologicznych, ale także rygorystycznie rozwiązuje kluczowe wyzwania, takie jak nierównowaga klas i przefitowanie, poprzez ukierunkowane uzupełnianie danych, solidne strategie walidacyjne oraz techniki wczesnego zatrzymywania danych. Metodologia została specjalnie zaprojektowana, aby odzwierciedlać rzeczywiste warunki kliniczne poprzez wykorzystanie dużych, rozszerzonych zbiorów danych oraz porównanie wyników modelu według wskaźników istotnych dla klinicznych. Automatyzacja i efektywność przepływu pracy sprawiają, że system jest praktyczny do integracji z cyfrowymi laboratoriami patologicznymi, oferując potencjał zwiększenia produktywności patologów, poprawy spójności diagnostycznej oraz umożliwienia szerszego dostępu do analiz na poziomie ekspertów zarówno w środowiskach klinicznych o wysokich zasobach, jak i ograniczonych zasobach.

Nawet przy znaczącym postępie w głębokim uczeniu w obrazowaniu medycznym, pozostaje kilka wyzwań przy klasyfikacji obrazów histopatologicznych raka płuc i jelita grubego7. Obecne modele często nie radzą sobie z nierównowagą klasową, gdzie niektóre typy nowotworów mogą być niedostatecznie reprezentowane w zbiorach danych i prowadzić do stronniczych prognoz. Ponadto subtelne różnice histologiczne między podtypami nowotworów, takimi jak gruczolapak czy rak płaskonabłonkowy płuca, stanowią poważne wyzwanie dla właściwej klasyfikacji. Większość wcześniejszych badań dotyczyła klasyfikacji pojedynczego nowotworu lub z ograniczonymi małymi zbiorami danych, co wyklucza szerokie zastosowanie i zastosowanie w środowisku klinicznym. Tradycyjne podejścia są również mniej wydajne obliczeniowo, a więc mniej pożądane dla dużych danych lub klinicznych w czasie rzeczywistym8.

Niniejsze badanie niweluje te luki, wykorzystując architekturę EfficientNetB7, która jest nowoczesnym modelem głębokiego uczenia o udowodnionej skalowalności i skuteczności. Losowe powiększenia, przewroty, obroty i przesunięcia są wykorzystywane jako zaawansowane metody augmentacji danych, aby zmaksymalizować odporność modelu i jego zdolność uogólniania na różne wzorce histopatologiczne. Transfer learning jest również wykorzystywany do precyzyjnego dostosowania wcześniej wytrenowanego modelu EfficientNetB7, aby był zdolny do uczenia się i adaptacji w sposób specyficzny dla zbiorów danych dotyczących raka płuc i jelita grubego oraz minimalizując czas treningu i koszty obliczeniowe9. Zastosowanie globalnego średniego poolingu i wczesnego zatrzymania poprawia również wydajność modelu w zakresie dobrego treningu i unikania nadmiernego dopasowania.

Zastosowanie głębokiego uczenia w obrazowaniu medycznym, zwłaszcza w diagnozowaniu raka, poczyniło ogromne postępy w ostatnich latach. Konwencjonalna diagnoza raka płuc i jelita grubego opiera się głównie na badaniu histopapatologicznym, podczas którego patolodzy badają próbki tkanek pod mikroskopem10. Choć skuteczne, jest pracochłonne, otwarte na zmienność między obserwatorami i zwykle ograniczone przez ograniczoną liczbę ekspertów patologów, zwłaszcza w środowiskach o ograniczonych zasobach. Te ograniczenia doprowadziły do rozwoju skomputeryzowanych systemów diagnostycznych opartych na sztucznej inteligencji i uczeniu głębokim.

Modele głębokiego uczenia, szczególnie sieci neuronowe splotowe (CNN), odniosły imponujący sukces w analizie obrazów preparatów histopatologicznych11. Są szczególnie dobre w rozpoznawaniu złożonych wzorów i subtelnych zmian morfologii tkanek, co jest zadaniami odpowiednimi do klasyfikacji nowotworów. Pomimo postępów, nadal występują niedociągnięcia, takie jak nierównowaga klasowa, ograniczona generalizacja na scenariusze wielozbiorowe oraz wysokie koszty obliczeniowe w obecnych podejściach. Na przykład większość prac dotyczy klasyfikacji pojedynczego nowotworu, co ogranicza jej stosowanie do scenariuszy diagnozowania wielu nowotworów. Ponadto słabe techniki wstępnego przetwarzania i augmentacji danych sprawiają, że jest podatny na nadmierne dopasowanie, szczególnie w scenariuszach małych lub niezrównoważonych zbiorów danych.

Najnowsze osiągnięcia w zakresie uczenia transferowego częściowo przezwyciężyły te ograniczenia, wykorzystując modele wstępnie wytrenowane na dużych zbiorach danych, takich jak ImageNet. EfficientNet, ResNet i DenseNet to modele, które przyciągnęły uwagę w analizie obrazów medycznych, ponieważ mogą uczyć się cech wysokiego poziomu z ograniczonej ilości danych treningowych12. EfficientNet zyskał również szerokie zastosowanie ze względu na swoją skalowalność i efektywność, ponieważ osiąga najwyższą dokładność w kilku testach klasyfikacji obrazów. Zastosowanie EfficientNet w klasyfikacji skojarzonego raka płuc i jelita grubego nie jest szeroko badane, zwłaszcza w zakresie leczenia nierównowagi klasowej i subtelnych różnic histologicznych13.

Augmentacja danych była kluczową strategią dla odporności modelu i poprawy uogólnień14. Poprzez włączanie takich wariantów jak rotacja, przesuwanie, powiększanie i flipowanie, techniki augmentacji danych symulują zmienność występującą w rzeczywistych obrazach histopatologicznych, umożliwiając modelom naukę cech niezmienniczych. Techniki wczesnego zatrzymywania i regularizacji dodatkowo poprawiają wydajność modelu, unikając nadmiernego dopasowania i maksymalizując efektywność treningu. Pomimo wszystkich tych postępów, wciąż istnieje potrzeba kompleksowych ram, które obejmują zaawansowane preprocessing, augmentację i transfer learning, aby osiągnąć wysoką dokładność i efektywność obliczeniową dla klasyfikacji wielu nowotworów. Tabela 2 15,16,17,18,19,20,21,22,23,24 przedstawia literaturę badania na podstawie istniejącej literatury.

StudiaCel
Talukder, M. A. i in.15 (2022)Przedstawij hybrydowy model ekstrakcji cech łączący głębokie uczenie i uczenie maszynowe do identyfikacji raka jelita grubego i płuc.
Attallah, O. i in.16 (2022)Zapewnij niskoobciążające ramy głębokiego uczenia, które łączą różnorodne modele i techniki transformacji, aby pomóc we wczesnym wykrywaniu raka płuc i jelita grubego.
Hage Chehade, A. i in.17 (2022)Stwórz komputerowy system diagnostyczny oparty na uczeniu maszynowym, który potrafi identyfikować różne rodzaje tkanek płuc i jelita grubego.
Wahid, R. R. i in.18 (2023)Wykorzystaj komputerowy system diagnostyczny z CNN do wykrywania raka płuc i jelita grubego.
Kumar, N. i in.19 (2022)Porównaj techniki ekstrakcji cech stosowane do klasyfikacji raka jelita grubego i płuc.
Mehmood, S. i in.20 (2022)Stwórz wstępnie wytrenowaną sieć neuronową z zmodyfikowanymi warstwami modelu diagnostycznego dla raka płuc i jelita grubego, który jest zarówno dokładny, jak i efektywny.
Zhou, L. i in.21 (2024)Przewidywanie nowych celów dla Wogonin (WOG) w leczeniu raka płuc, pęcherza i jelita grubego z wykorzystaniem metod bioinformatycznych.
Reddy, K. R. i in.22 (2022)Zapewnij hybrydową metodę ekstrakcji cech opartą na uczeniu maszynowym do wykrywania raka jelita grubego (LCC).
Shandilya, S., Nayak, S. R.23 (2022)CNN i projektowanie transformatorów wzroku pomagają klasyfikować obrazy histopatologiczne raka płuc i jelita grubego.
Hasan, M. i in.24 (2023)Korzystając z wielu modeli CNN, klasyfikuj obrazy raka płuc i jelita grubego, aby usprawnić procedury diagnostyczne.

Tabela 2: Porównanie istotnych wcześniejszych badań dotyczących klasyfikacji obrazów histopatologicznych, szczegółowo opisujące użyte zbiory danych, typy modeli oraz raportowane wyniki.

Niniejszy artykuł rozwija te wkłady, wprowadzając model głębokiego uczenia wykorzystującego architekturę EfficientNetB7, uzupełniony o nowoczesne uzupełnianie danych i transfer learning. Obecne rozwiązanie przewyższa wady poprzednich dzięki zwiększonej dokładności klasyfikacji, równowadze klas oraz niższym kosztom obliczeniowym, dlatego jest optymalne rozwiązanie do zastosowania klinicznego.

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

Protocol

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

Badanie to nie obejmowało żadnych bezpośrednich eksperymentów na ludziach ani zwierzętach. Wszystkie prace prowadzono na podstawie publicznie dostępnego, anonimowego zestawu LC25000 danych obrazów histopatologicznych, które nie zawierały żadnych identyfikowalnych informacji o pacjencie ani bezpośredniego kontaktu z ludzką tkanką. Nie wymagała się zatwierdzenia przez Instytucjonalną Radę Przeglądową (IRB) ani Instytucjonalny Komitet ds. Opieki i Użytkowania Zwierząt (IACUC). Wszystkie procedury były zgodne ze standardami etycznymi i zgodne z warunkami użytkowania zbioru danych w badaniach akademickich. Rysunek 2 przedstawia kroki diagramu przepływu pracy.

figure-protocol-1
Rysunek 2: Przepływ pracy proponowanej metody. Workflow obejmuje wstępne przetwarzanie danych, ich uzupełnianie, trenowanie modeli oraz ocenę. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Opis zbioru danych
Do tego badania wykorzystano LC25000 zestaw danych. Składał się z 25 000 zdjęć histopatologicznych, wszystkie jednolicie sformatowane jako pliki JPEG o rozdzielczości 768 × 768 pikseli. Zbiór danych powstał na podstawie początkowego zestawu 1 250 oryginalnych obrazów, w tym 250 obrazów łagodnej tkanki płucnej, 250 gruczolakoraków płuc, 250 raków płaskonabłonkowych płuc, 250 obrazów łagodnych tkanek jelita grubego oraz 250 gruczolakoraków jelita grubego. Pozostałe obrazy zostały wygenerowane poprzez augmentację danych, aby powiększyć zbiór danych, zapewniając różnorodną i obszerną kolekcję do solidnego trenowania i walidacji modeli.

Obrazy o wysokiej rozdzielczości umożliwiały szczegółowe badanie struktur komórkowych, co było kluczowe dla dokładnej klasyfikacji nowotworów. Konieczne było uzupełnienie danych ze względu na ograniczoną liczbę oryginalnych obrazów; Zastosowano techniki takie jak rotacje, flipy, zoomy i przesunięcia, aby syntetycznie zwiększyć rozmiar i różnorodność zbioru danych. Proces ten wygenerował dodatkowe 23 750 syntetycznych obrazów w sposób zrównoważony klasowo, co dało końcowy zbiór danych liczący 25 000 obrazów, przy czym każda klasa zawierała 5 000 obrazów po augmentacji.

Wstępne przetwarzanie danych
Surowe obrazy histologiczne w zbiorze danych miały rozdzielczość 768 × 768 pikseli. Aby zapewnić kompatybilność z architekturą EfficientNetB7 i zmaksymalizować efektywność obliczeniową, każdy obraz był zmieniany w rozmiarze z 768 × 768 do 224 × 224 pikseli. Proces zmiany rozmiaru stanowił kompromis między zachowaniem istotnych cech histologicznych a redukcją narzutu obliczeniowego. Operacja zmiany rozmiaru została matematycznie przedstawiona tak, jak pokazano w

Równanie 1: figure-protocol-2 (1)

gdzie X oznaczało oryginalny obraz, Xresized to obraz o zmienionym rozmiarze, a h i w to odpowiednio pożądana wysokość i szerokość. Wszystkie wartości pikseli zostały znormalizowane do zakresu od 0 do 1, co stabilizowało i przyspieszyło trening, zapewniając spójny rozkład danych wejściowych na obrazach. Ta normalizacja została matematycznie obliczona, jak pokazano w równaniu 2. Ten krok był niezbędny do poprawy zbieżności modeli podczas treningu.

figure-protocol-3     (2)

Augmentacja danych została zastosowana jako kluczowa technika zwiększająca odporność i zastosowanie modeli uczenia głębokiego, zwłaszcza w kontekście obrazowania medycznego z ograniczonymi i niezrównoważonymi zbiorami danych. W tym badaniu zastosowano różne techniki augmentacji z wykorzystaniem modułu ImageDataGenerator firmy TensorFlow do symulacji zmienności in vivo w obrazach histopatologicznych. Techniki te obejmowały losowe obroty do 20 stopni w celu symulacji zmienności orientacji tkanek, przesunięcia poziome i pionowe do 20% wymiarów obrazu, aby naśladować zmienność pozycji podczas przygotowania preparatów, oraz losowe powiększenia do 20%, aby odzwierciedlić zmienność poziomów powiększenia.

Dodatkowo wykonywano poziome flipping, aby wprowadzić wariacje lustrzane, co dodatkowo wzbogaciło zbiór danych treningowych. Aby zarządzać nowo zsyntetyzowanymi pikselami generowanymi podczas tych transformacji, zastosowano strategię wypełniania najbliższego sąsiada, aby zapewnić płynne przejścia i zachować integralność kluczowych cech histologicznych. Macierz obrotu 2D użyta do augmentacji jest przedstawiona w równaniu 3, a równanie 4 definiuje funkcję o zmianie przyrostowej:

figure-protocol-4     (3)

figure-protocol-5     (4)

Techniki te kompensowały wyzwania takie jak nierównowaga klas, drobne różnice histologiczne oraz ograniczenia zbioru danych, umożliwiając modelowi naukę cech niezmienniczych i zmniejszając ryzyko nadmiernego dopasowania. Poprzez syntetyczne powiększenie zbioru danych i uwzględnienie kontrolowanej zmienności, augmentacja danych znacząco zwiększyła zdolność modelu do uogólniania na nowe, niewidoczne dane, tworząc tym samym silniejszy i bardziej odporny system klinicznego zastosowania w diagnostyce raka płuc i jelita grubego.

Architektura modelu
Model został opracowany na podstawie architektury EfficientNetB7, nowoczesnej sieci deep learning, znanej z wydajności, skalowalności i skuteczności w zadaniach klasyfikacji obrazów. EfficientNetB7 został skonstruowany przy użyciu serii bloków Mobile Inverted Bottleneck Conwolution (MBConv), które zawierały głęboko-separowalne sploty. Ten projekt konstrukcyjny skutecznie skompresował model, co skutkowało znaczącym zmniejszeniem liczby parametrów przy minimalnej utracie wydajności. Taka innowacja pozwoliła modelowi osiągnąć wysoką dokładność przy niższych kosztach obliczeniowych, co czyni go szczególnie odpowiednim do zastosowań obliczeniowych, takich jak analiza obrazów histopatologicznych. Rysunek 3 przedstawia architekturę modelu pretrenowanego EfficientNetB7.

figure-protocol-6
Rysunek 3: Architektura modelu EfficientNetB7. Ten rysunek przedstawia szczegółową strukturę modelu EfficientNetB7, ilustrując jego główne warstwy i bloki funkcjonalne używane do klasyfikacji obrazów. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Model akceptował wstępnie przetworzone obrazy histopatologiczne, które zostały zmniejszone z oryginalnych wymiarów 768 × 768 pikseli do 224 × 224 pikseli, aby spełnić wymagania wejściowe EfficientNetB7. Każdy obraz przechodził kilka procesów w sieci, w tym normalizację wsadową, funkcje aktywacyjne Swish oraz operacje splotowe. Normalizacja wsadowa została obliczona zgodnie z Równaniem 5. Funkcja aktywacji Swish wprowadziła nieliniowość i umożliwiła szybsze, bardziej efektywne trenowanie w porównaniu z tradycyjnymi funkcjami, takimi jak ReLU. Warstwy te zostały zaprojektowane tak, aby wyodrębniać i wzmacniać cechy hierarchiczne, pozwalając modelowi stopniowo uczyć się od wzorców niskiego do wysokiego poziomu w miarę propagacji obrazów w sieci.

figure-protocol-7     (5)

Konwolucyjny szkielet EfficientNetB7, wstępnie wytrenowany na zbiorze danych ImageNet, zapewniał wysoce uogólniony zestaw detektorów cech skutecznych w szerokim zakresie domen obrazów. Wstępnie wytrenowana baza odegrała kluczową rolę w uchwyceniu subtelnych, lecz pouczających wzorców na obrazach histopatologicznych, które często charakteryzują się wysoką zmiennością wewnątrzklasową i drobnoziarnistościami. Wyjście z warstw splotowych było przekazywane do globalnej warstwy uśredniającej puli, która redukowała wymiary przestrzenne do jednego wektora cech dla każdego obrazu. Ten wektor, obejmujący najbardziej istotne cechy poznane przez warstwy splotowe, został następnie spłaszczony do jednowymiarowej tablicy dla kompatybilności z w pełni połączonymi warstwami. Algorytm do zwiększonego wykrywania raka płuc i jelita grubego znajduje się w Pliku Uzupełniającym 1.

Kolejna architektura sieci obejmowała dwie gęste (w pełni połączone) warstwy odpowiednio po 128 i 64 jednostki. Obie warstwy wykorzystywały funkcję aktywacji Rectified Linear Unit (ReLU), aby wprowadzić dodatkową nieliniowość i precyzyjnie dostroić wyodrębnione cechy, umożliwiając modelowi rozpoznawanie precyzyjniejszych wzorców i zależności w danych. Ostatnią warstwą modelu była warstwa wyjściowa SoftMax z pięcioma neuronami, z których każdy reprezentował jedną z pięciu klas w zbiorze danych. Funkcja SoftMax generowała rozkład prawdopodobieństwa między klasami, który odzwierciedlał prognozę modelu dla każdego obrazu wejściowego, jak opisano w równaniu 6:

figure-protocol-8     (6)

Połączenie nowoczesnych technik splotowych, solidnej regularizacji oraz skutecznych strategii optymalizacji zaowocowało modelem głębokiego uczenia doskonale przystosowanym do klasyfikacji obrazów medycznych o wysokiej stawce. Model osiągnął precyzję, skalowalność i efektywność operacyjną, wykazując duży potencjał kliniczny do diagnostyki raka płuc i jelita grubego. W ramach tego systemu regularizacja była realizowana głównie poprzez zaawansowane uzupełnianie danych i stosowanie wczesnego zatrzymania; Nie zastosowano wyraźnego spadku ani spadku masy na gęstych warstwach.

Szkolenie i walidacja
Potok walidacji i wstępnego treningu konwolucyjnej sieci neuronowej (CNN) dla klasyfikacji obrazów histopatologicznych LC25000 został zaprojektowany tak, aby zoptymalizować wydajność modelu i zapewnić dobrą uogólnienie. Proces rozpoczął się od kompleksowego wstępnego przetwarzania, co obejmowało zmniejszenie oryginalnych 768 × 768-pikselowych obrazów do 224 × 224 pikseli, aby dostosować się do wymagań wejściowych architektury EfficientNetB7. Intensywność pikseli została znormalizowana do zakresu [0, 1], aby ustabilizować i przyspieszyć trening, a techniki augmentacji danych, w tym losowe rotacje, przesunięcia, zoomy i poziome flipy, zostały zastosowane, aby wprowadzić zmienność i ograniczyć nadmierne dopasowanie. Te operacje wstępnego przetwarzania zapewniały, że model uczył się cech niezmiennych i dobrze uogólniał się na nowe dane.

Model EfficientNetB7, wstępnie wytrenowany na zbiorze danych ImageNet, został wykorzystany jako podstawa, zapewniając solidny zestaw detektorów cech zdolny do identyfikacji subtelnych wzorców histologicznych. Model został następnie dostrojony o dwie gęste warstwy (128 i 64 jednostki) aktywowane przez funkcję Rectified Linear Unit (ReLU), a następnie dodano warstwę wyjściową SoftMax do klasyfikacji pięciu klas. Architektura ta została zoptymalizowana zarówno pod kątem precyzji, jak i efektywności obliczeniowej, co czyniło ją doskonale przystosowaną do analizy obrazów medycznych. Reguła aktualizacji optymalizatora Adama dla θ jest przedstawiona w równaniu 7.

figure-protocol-9     (7)

Trening modelu przeprowadzono w partiach po 128 obrazów za pomocą optymalizatora Adama, który adaptacyjnie skalował tempo uczenia się, aby sprzyjać efektywnej zbieżności. Wprowadzono wczesne kryterium zatrzymania, aby monitorować utratę walidacji i zatrzymać trening w przypadku braku poprawy, zapobiegając tym samym nadmiernemu dopasowaniu i optymalizując zasoby obliczeniowe. Podczas treningu kluczowe wskaźniki wydajności — w tym dokładność, strata, precyzja i przypomnienie — były śledzone przy użyciu zestawu walidacyjnego na poziomie wstrzymanym, który stanowił 20% danych. Zestaw wstrzymany dostarczył kluczowych informacji na temat możliwości uogólniania modelu i zminimalizował ryzyko nadmiernego dopasowania do niewidzianych danych.

Integracja zaawansowanych strategii wstępnego przetwarzania, uzupełniania danych i optymalizacji zaowocowała doskonałą dokładnością i odpornością modeli, co świadczy o dużym potencjale klinicznego zastosowania w wykrywaniu raka płuc i jelita grubego. Wszystkie eksperymenty prowadzono na GPU NVIDIA Tesla P100 z 16 GB pamięci i 64 GB pamięci systemowej. Pełny proces treningowy — w tym wstępne przetwarzanie, augmentacja i optymalizacja modelu — wymagał około trzech godzin, aby ukończyć dziesięć epok z partią wielkości 128. Ta infrastruktura obliczeniowa została wybrana, aby efektywnie zarządzać dużym, rozszerzonym zbiorem danych, przy jednoczesnym zachowaniu rozsądnych czasów treningu odpowiednich dla środowisk badań klinicznych.

Dla powtarzalności wszystkie krytyczne hiperparametry zostały wyraźnie określone. Model był trenowany za pomocą optymalizatora Adama ze stałą częstotliwością uczenia się 0,001. Szkolenie trwało maksymalnie 10 epok, z wczesnym zatrzymywaniem się na podstawie utraty walidacji i trzykrotnej cierpliwości, aby zapobiec nadmiernemu przystosowania się. Do fazy treningowej i walidacyjnej wykorzystywano wielkość partii 128 osób. Aby zapewnić spójne wyniki, losowe ziarno było ustawione na 42 na wszystkich etapach ładowania danych i trenowania modelu. Podczas szkolenia nie zastosowano harmonogramu spadku tempa uczenia się.

Protokół łączył systematyczne wstępne przetwarzanie, dobrze skalibrowane hiperparametry, rygorystyczne schematy walidacji oraz otwarte środowisko obliczeniowe, aby promować zarówno dokładność, jak i powtarzalność. Przepływ pracy, integrując solidną architekturę głębokiego uczenia, skuteczną optymalizację oraz powtarzalny projekt eksperymentalny, stworzył solidne podstawy do klasyfikacji obrazów histopatologicznych. Oprócz wykazania silnych wyników w wykrywaniu raka płuc i jelita grubego, protokół określił skalowalne ramy, które można rozszerzyć na podobne wyzwania obrazowania biomedycznego w przyszłych badaniach.

Podczas opracowywania modelu wprowadzono kilka praktycznych poprawek, aby osiągnąć wiarygodne i powtarzalne wyniki. Wczesne zatrzymywanie i zaawansowane uzupełnianie danych zostały wykorzystane do rozwiązania nierównowagi klasowej i nadmiernego dopasowania. Wysokie zużycie pamięci podczas treningu zostało złagodzone przez zmianę rozmiaru obrazów do 224 × 224 pikseli oraz zastosowanie rozmiaru partii 128. Gdy napotykano wolną zbieżność, tempo uczenia było empirycznie ustawiane na 0,001. Przeprowadzono ręczną weryfikację struktury katalogu obrazów, aby zapobiec błędom ładowania danych, a losowe nasiona zostały naprawione, aby zapewnić powtarzalność. Strategie te mogą służyć jako praktyczne wskazówki dla badaczy stojących przed podobnymi wyzwaniami w trenowaniu modeli głębokiego uczenia na dużych zbiorach obrazów histopatologicznych.

Analiza statystyczna
Statystyczne modelowanie wydajności modelu przeprowadzono z wykorzystaniem kompleksowego zestawu metryk oceniających dokładność, stabilność i uogólnialność. Kluczowe miary oceny obejmowały precyzję, przypomnienie, wynik F1 oraz dokładność do ilościowej oceny wyników klasyfikacji. Macierz pomyłek została wykorzystana do raportowania specyficznych dla klasy wskaźników błędu, obliczonych według równań 8-10:

figure-protocol-10     (8)

figure-protocol-11     (9)

figure-protocol-12     (10)

Dodatkowo oceniono miary błędu takie jak średni błąd kwadratowy (MSE), średni błąd kwadratowy korzeniowy (RMSE) oraz średni błąd bezwzględny (MAE), aby ocenić dokładność predykcji, obliczone za pomocą równań 11-13:

figure-protocol-13     (11)

figure-protocol-14     (12)

figure-protocol-15     (13)

Krzywa charakterystyki operacyjnej odbiorcy (ROC) oraz Obszar pod krzywą (AUC) zostały wykorzystane do oceny zdolności modelu do rozróżniania klas przy różnych progach. AUC zostało obliczone zgodnie z Równaniem 14:

figure-protocol-16     (14)

Analizy te dostarczały gruntownej oceny wydajności klasyfikacyjnej, jego odporności oraz uogólnienia na dane niewidoczne.

Badanie ablacji
Aby dokładniej ocenić wkład każdego komponentu w ramach klasyfikacji, przeprowadzono badanie ablacji poprzez selektywne pominięcie lub modyfikację konkretnych elementów architektonicznych modelu końcowego. Konkretnie oceniono dwie alternatywne konfiguracje eksperymentalne: jedna z nich obejmowała zarówno warstwy Global Average Pooling, jak i Flatten, a następnie dwie warstwy gęste (odpowiednio 128 i 64 jednostki); druga konfiguracja pomijała zarówno warstwę Flatten, jak i warstwę gęstości 128 jednostek, pozostawiając jedynie warstwę Global Average Pooling oraz jedną warstwę gęstą o 64 jednostkach.

Kompletna architektura, jak pokazano w głównych wynikach, osiągnęła dokładność walidacji na poziomie około 96%. Gdy warstwa Flatten została wyłączona, a po Global Average Pooling użyto jedynie warstw o gęstości 128 i 64 jednostek, dokładność walidacji spadła do 81,6%. Natomiast gdy warstwa gęsta 128 jednostek została wykluczona, a warstwa Flatten zachowana, dokładność walidacji spadła do 88%. Wyniki te wskazywały na konieczność uwzględnienia zarówno warstwy o większej gęstości, jak i odpowiednich komponentów architektonicznych, aby osiągnąć optymalną wydajność klasyfikacji. Wyniki eksperymentów ablacyjnych konsekwentnie wykazały, że połączenie globalnego średniego poolingu, spłaszczenia oraz dwóch w pełni połączonych warstw umożliwiło bardziej ekspresyjną reprezentację cech, co skutkowało bardziej solidną i dokładnością klasyfikacji obrazów histopatologicznych.

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

Results

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

Rysunek 4 przedstawia dokładność treningu i walidacji. Rysunek 5 przedstawia utratę treningową i walidacyjną.

figure-results-1
Rysunek 4: Dokładność treningu i walidacji na przestrzeni epok. Ten wykres przedstawia postęp dokładności zarówno dla zestawów treningowych, jak i wa...

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

Discussion

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

W krytycznym przeglądzie błędnie oznaczonych instancji w architekturze głębokiego uczenia EfficientNetB7 przeprowadza się krytyczną analizę przypadków, gdy prognozy modelu nie pokrywają się z rzeczywistymi etykietami w zbiorze danych walidacyjnych. Krytyczna analiza ma ogromne znaczenie przy analizie niektórych błędów klasyfikacji, zwłaszcza gdy model błędnie klasyfikuje różne cechy hisstopatologiczne tkanek płuc i jelitagrubego 11. Procedura polega na dokonywaniu przewidywań klas na wszystkich ob...

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

Disclosures

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

Autorzy deklarują, że nie ma konfliktu interesów w sprawie publikacji tego rękopisu. Żadne powiązania finansowe ani osobiste nie wpłynęły na badania, wyniki ani wnioski przedstawione w tej pracy.

Acknowledgements

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

Badania te są wspierane przez projekt wspierający badaczy numer PNURSP2026R195 Uniwersytetu Księżniczki Nourah bint Abdulrahman, Uniwersytet Księżniczki Nourah bint Abdulrahman, Rijad, Arabia Saudyjska. Autorzy wyrażają podziękowania Dziekanowi ds. Badań i Studiów Podyplomowych na Uniwersytecie Króla Khalida za finansowanie tych prac poprzez badania dużych grup w ramach grantu RGP2/749/46.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Karta graficzna A100 (CUDA)NVIDIACUDA Wersja 11.0Przyspieszenie GPU do trenowania i oceny modeli.
Peron KaggleGoogleNie maNotebook oparty na chmurze do tworzenia modeli Machine Learning
KerasTensorFlow (Google)Wersja 2.6.0API głębokiego uczenia działające na TensorFlow.
LC25000Borkowski AA, Bui MM, Thomas LB, Wilson CP, DeLand LA, Mastorides SM. Histopatologiczny Zestaw obrazów obrazów płuc i raka jelita grubego (LC25000)Nie maTen zbiór danych zawiera 25 000 obrazów histopatologicznych z 5 klasami. Wszystkie obrazy mają rozmiar 768 x 768 pikseli i są w formacie pliku jpeg.
MatplotlibPython Software FoundationWersja 3.5.0Biblioteka wizualizacji do wykresowania wyników.
NumPyPython Software FoundationWersja 1.19.5Biblioteka obliczeń numerycznych.
OpenCVOpen SourceWersja 4.5.4Biblioteka przetwarzania obrazu i widzenia komputerowego.
PandyPython Software FoundationWersja 1.3.4Narzędzie do analizy i manipulacji danymi.
Python (Dystrybucja Anaconda)Anaconda IncWersja 3.7.12Zawiera preinstalowane pakiety i narzędzia do zarządzania środowiskiem.
Scikit-learnPython Software FoundationWersja 0.23.2Narzędzia do oceny wydajności uczenia maszynowego.
TensorFlowGoogleWersja 2.6.2Ramy głębokiego uczenia dla modeli dyfuzji.

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. Lung and colon cancer histopathological image dataset (LC25000). arXiv. , (2019).
  3. Sakamoto, T., Furukawa, T., Lami, K., Pham, H. H. N., Uegami, W., Kuroda, K., et al. A narrative review of digital pathology and artificial intelligence:focusing on lung cancer. Transl Lung Cancer Res. 9 (5), 2255(2020).
  4. WHO Consolidated Guidelines on Tuberculosis. Module 3:Diagnosis: Rapid Diagnostics for Tuberculosis Detection. , World Health Organization. https://www.who.int/publications/i/item/9789240089488 (2024).
  5. Al-Zoghby, A. M., Ismail Ebada, A., Saleh, A. S., Abdelhay, M., Awad, W. A. A comprehensive review of multimodal deep learning for enhanced medical diagnostics. Comput Mater Continua. 84 (3), 2025(2025).
  6. Attallah, O. Lung and colon cancer classification using multiscale deep features integration of compact convolutional neural networks and feature selection. Technologies. 13 (2), 54(2025).
  7. Patharia, P., Sethy, P. K., Nanthaamornphong, A. Advancements and challenges in the image-based diagnosis of lung and colon cancer:a comprehensive review. Cancer Inform. 23, 11769351241290608(2024).
  8. Liao, Q. M., Hussain, W., Liao, Z. X., Hussain, S., Jiang, Z. L., Zhu, Y. H., et al. Computer-aided application in medicine and biomedicine. Int J Comput Intell Syst. 18 (1), 221(2025).
  9. Gautam, N., Ghosh, S., Sarkar, R. CNN models aided with a metaclassifier for lung carcinoma classification using histopathological images. Multimed Tools Appl. 84, 28493-28517 (2025).
  10. Mohammed, M. S., Mohammed, A. M. S. Safety diagnostic tool for non-small cell lung cancer (NSCLC) lyophilized serum. Clin Cancer Investig J. 13 (4), 15-19 (2024).
  11. Iqbal, S., Qureshi, A. N., Alhussein, M., Aurangzeb, K., Kadry, S. A novel heteromorphous convolutional neural network for automated assessment of tumors in colon and lung histopathology images. Biomimetics. 8 (4), 370(2023).
  12. Haziq, U., Uddin, J., Rahman, S., Yaseen, M., Khan, I., Khan, J., et al. Improving lung cancer detection with enhanced convolutional sequential networks. Sci Rep. 15 (1), 32099(2025).
  13. Abd El-Aziz, A. A., Mahmood, M. A., Abd El-Ghany, S. Advanced deep learning fusion model for early multi-classification of lung and colon cancer using histopathological images. Diagnostics. 14 (20), 2274(2024).
  14. Ravindran, U., Gunavathi, C. Cancer disease prediction using integrated smart data augmentation and capsule neural network. IEEE Access. 12, 81813-81826 (2024).
  15. Talukder, M. A., Islam, M. M., Uddin, M. A., Akhter, A., Hasan, K. F., Moni, M. A. Machine learning-based lung and colon cancer detection using deep feature extraction and ensemble learning. Expert Syst Appl. 205, 117695(2022).
  16. Attallah, O., Aslan, M. F., Sabanci, K. A framework for lung and colon cancer diagnosis via lightweight deep learning models and transformation methods. Diagnostics. 12 (12), 2926(2022).
  17. Hage Chehade, A., Abdallah, N., Marion, J. -M., Oueidat, M., Chauvet, P. Lung and colon cancer classification using medical imaging:a feature engineering approach. Phys Eng Sci Med. 45 (3), 729-746 (2022).
  18. Wahid, R. R., Nisa', C., Amaliyah, R. P., Puspaningrum, E. Y. Lung and colon cancer detection with convolutional neural networks on histopathological images. AIP Conf Proc. 2654, 020020(2023).
  19. Kumar, N., Sharma, M., Singh, V. P., Madan, C., Mehandia, S. An empirical study of handcrafted and dense feature extraction techniques for lung and colon cancer classification from histopathological images. Biomed Signal Process Control. 75, 103596(2022).
  20. Mehmood, S., et al. Malignancy detection in lung and colon histopathology images using transfer learning with class selective image processing. IEEE Access. 10, 25657-25668 (2022).
  21. Zhou, L., et al. Identification of novel targets and mechanisms of wogonin on lung cancer, bladder cancer, and colon cancer. J Future Foods. 4 (3), 267-279 (2024).
  22. Reddy, K. R., DeLaune, R. D., Inglett, P. W. Biogeochemistry of Wetlands: Science and Applications. , CRC Press. Boca Raton. (2022).
  23. Shandilya, S., Nayak, S. R. Analysis of lung cancer by using deep neural network. Innovation in Electrical Power Engineering, Communication, and Computing Technology. Lecture Notes in Electrical Engineering. , Springer. Singapore. (2022).
  24. Vision transformer-based classification for lung and colon cancer using histopathology images. Hasan, M., et al. 2023 International Conference on Machine Learning and Applications (ICMLA), Jacksonville, FL, USA, , (2023).
  25. Cen, J., Hu, N., Shen, J., Gao, Y., Lu, H. Pathological functions of lysosomal ion channels in the central nervous system. Int J Mol Sci. 25 (12), 6565(2024).
  26. Li, H., Wang, Z., Guan, Z., Miao, J., Li, W., Yu, P., et al. UCFNNet: ulcerative colitis evaluation based on fine-grained lesion learner and noise suppression gating. Comput Methods Programs Biomed. 247, 108080(2024).
  27. Song, W., Wang, X., Guo, Y., Li, S., Xia, B., Hao, A. CenterFormer:a novel cluster center enhanced transformer for unconstrained dental plaque segmentation. IEEE Trans Multimedia. 26, 10965-10978 (2024).
  28. Gayap, H. T., Akhloufi, M. A. Deep machine learning for medical diagnosis, application to lung cancer detection:a review. BioMedInformatics. 4 (1), 236-284 (2024).
  29. Luan, S., et al. Deep learning for fast super-resolution ultrasound microvessel imaging. Phys Med Biol. 68 (24), 245023(2023).
  30. Sun, D., Hu, Y., Li, X., Peng, J., Dai, Z., Wang, S. Unlocking the full potential of memory T cells in adoptive T cell therapy for hematologic malignancies. Int Immunopharmacol. 144, 113392(2025).
  31. Wang, G., Ma, Q., Li, Y., Mao, K., Xu, L., Zhao, Y. A skin lesion segmentation network with edge and body fusion. Appl Soft Comput. 170, 112683(2025).
  32. Singh, O., Kashyap, K. L., Singh, K. K. Lung and colon cancer classification of histopathology images using convolutional neural network. SN Comput Sci. 5 (2), (2024).
  33. Diagnose colon and lung cancer histopathological images using pre-trained machine learning model. Maheshwari, U., Kiranmayee, B. V., Suresh, C. Proc Int Conf Contemp Comput Inform, , 1078-1082 (2022).
  34. Masud, M., Sikder, N., Nahid, A. -A., Bairagi, A. K., AlZain, M. A. A machine learning approach to diagnosing lung and colon cancer using a deep learning-based classification framework. Sensors. 21 (3), 748(2021).
  35. Lung cancer detection from histopathological images using deep learning. Mohalder, R. D., et al. International Conference on Machine Intelligence and Emerging Technologies, , Noakhali, Bangladesh. (2022).
  36. Detection of colon cancer using Inception V3 and ensembled CNN model. Swarna, I. J., Hashi, E. K. Proc Int Conf Electr Comput Commun Eng, 2023, 1-6 (2023).
  37. Reis, H. C., Turk, V. Transfer learning approach and nucleus segmentation with MedCLNet colon cancer database. J Digit Imaging. 36 (1), 306-325 (2022).
  38. Deep convolutional neural networks for early-stage detection and prognostication of lung and colon cancer. Laxmikant, K., Arthi, A., Vinodhini, V., Natarajan, B., Bhuvaneswari, R., Selvam, P. 2024 International Conference on Integrated Circuits and Communication Systems (ICICACS), Raichur, India, , (1109).
  39. Musthafa, M. M., Manimozhi, I., Mahesh, T. R., Guluwadi, S. Optimizing double-layered convolutional neural networks for efficient lung cancer classification through hyperparameter optimization and advanced image pre-processing techniques. BMC Med Inform Decis Mak. 24 (1), 142(2024).
  40. Histopathological analysis advancements in deep learning for the diagnosis of lung and colon cancer with explanatory power via visual saliency. Kashyap, S., Shukla, A. K., Naim, I. Proc Int Conf Innov Emerg Trends Comput Inf Technol, 2125, Springer. Cham. 148-158 (2024).
  41. Alhassan, A. M. Enhanced pre-processing technique for histopathological image stain normalization and cancer detection. Multimed Tools Appl. 84, 29733-29761 (2024).
  42. Hijazi, A., Bifulco, C., Baldin, P., Galon, J. Digital pathology for better clinical practice. Cancers. 16 (9), 1686(2024).
  43. Ameyaw, S. A., Afari, D. A., Boateng, J. Advancements in image-based analyses for morphology and staging of colon cancer: a comprehensive review. Biomed Res Int. 2025 (1), 9214337(2025).
  44. Leveraging artificial intelligence for enhanced histopathological image analysis in lung and colon cancer diagnosis:development of a mobile application. Cherrat, L., Khrouch, S., Chraibi, M., Ezziyyani, M. Proc Int Conf Adv Intell Syst Sustain Dev, , Springer. Cham. 748-766 (2024).

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