Artykuł badawczy

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

DOI:

10.3791/68812

⸱

6 lutego 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

W tym artykule

Podsumowanie

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

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.

Streszczenie

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

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.

Wprowadzenie

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

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<....

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

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 ....

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

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.......

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

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.......

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

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.

Podziękowania

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

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.

....

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
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.

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Model EfficientNetB7diagnozowanie raka p ucdiagnozowanie raka jelita grubegoobrazowanie medyczneaugmentacja danychwczesne wykrywanie nowotwor wdostrajanie modelupatologia oparta na sztucznej inteligencji

Powiązane artykuły