Framework de Deep Learning baseado em EfficientNetB7 para Classificação Aprimorada de Imagens Histopatológicas de Câncer de Pulmão e Cólon

Summary

Aqui, apresentamos um sistema de aprendizado profundo com o modelo EfficientNetB7 para a classificação precisa de imagens histopatológicas de câncer de pulmão e cólon. O modelo alcançou 96% de precisão com a aplicação de pré-processamento, aumento de dados e aprendizado por transferência. O método tem uma alta perspectiva de auxiliar no diagnóstico clínico do câncer.

Abstract

O diagnóstico precoce do câncer de pulmão desempenha um papel fundamental para garantir um melhor tratamento e a sobrevivência dos pacientes. Isso continua sendo um foco importante na pesquisa clínica. A inteligência artificial (IA) transformou a patologia ao melhorar significativamente a precisão e a eficiência do diagnóstico. Este estudo apresenta um modelo robusto de aprendizado profundo na forma do modelo pré-treinado EfficientNetB7 para classificar imagens histopatológicas do cólon e do tecido pulmonar com uma precisão extremamente alta de 96%. O desempenho do modelo foi otimizado usando métodos avançados de pré-processamento, ajuste fino e técnicas de aumento de dados específicas para domínio. Essas estratégias ajudam a reduzir problemas como desequilíbrio de classes e sutis variações histológicas. Para resolver o problema do sobreajuste, múltiplas técnicas de aumento de dados foram combinadas e um critério inicial de parada foi incorporado. Essa abordagem permitiu treinamentos eficientes e econômicos. A validação robusta do modelo demonstra alta utilidade para aplicações clínicas e permite que os patologistas entreguem diagnósticos oportunos e precisos. Integrar modelos avançados de deep learning nos fluxos de trabalho de imagem médica traz grande potencial para um diagnóstico precoce e preciso do câncer, melhorando os resultados dos pacientes.

Introduction

O câncer de pulmão e cólon está entre os cânceres mais prevalentes do mundo em termos de mortalidade. O câncer de pulmão é o principal câncer fatal, com mais de 1,8 milhão de mortes por ano, seguido pelo câncer de cólon como a terceira malignidade mais ocorrente e a segunda causa mais comum de mortalidade por câncer, segundo estatísticas globais de saúde. Um diagnóstico preciso e precoce é crucial para um tratamento eficaz e para a maior sobrevivência desses cânceres. O exame histopatológico, ou avaliação microscópica de amostras de tecido por patologistas, continua sendo um dos métodos mais frequentes para detectar câncer

Protocol

Este estudo não envolveu experimentos diretos com participantes humanos ou animais. Todo o trabalho foi realizado utilizando o conjunto de dados LC25000 anonimizado e público de imagens histopatológicas, que não continha informações identificáveis do paciente nem manuseio direto de tecido humano. Não foi necessária aprovação do Conselho de Revisão Institucional (IRB) ou do Comitê de Cuidado e Uso Institucional de Animais (IACUC). Todos os procedimentos cumpriram padrões éticos e seguiram os termos de uso do conjunto de dados para pesquisa acadêmica. A Figura 2 mostra os passos do diagrama do fluxo de trab....

Results

A Figura 4 apresenta a precisão do treinamento e validação. A Figura 5 apresenta a perda de treinamento e validação.

Figura 4: Precisão do treinamento e validação ao longo de épocas. Esta figura mostra a progressão da precisão ta.......

Discussion

Na revisão crítica de instâncias rotuladas incorretamente sob a arquitetura de deep learning EfficientNetB7, é realizado um exame crítico em casos em que as previsões do modelo não correspondem aos rótulos reais dentro do conjunto de dados de validação. A análise crítica é de extrema importância na análise de certos erros de classificação, especialmente quando o modelo classifica incorretamente várias características histopatológicas dos tecidos pulmonares e do^cólon.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GPU A100 (CUDA)	NVIDIA	CUDA Versão 11.0	Aceleração de GPU para treinamento e avaliação de modelos.
Plataforma Kaggle	Google	N/A	Notebook baseado em nuvem para desenvolvimento de modelos de aprendizado de máquina
Keras	TensorFlow (Google)	Versão 2.6.0	API de aprendizado profundo rodando sobre o TensorFlow.
LC25000	Borkowski AA, Bui MM, Thomas LB, Wilson CP, DeLand LA, Mastorides SM. Conjunto de Dados de Imagens Histopatológicas de Câncer de Pulmão e Cólon (LC25000)	N/A	Este conjunto de dados contém 25.000 imagens histopatológicas com 5 classes. Todas as imagens têm tamanho de 768 x 768 pixels e estão em formato de arquivo jpeg.
Matplotlib	Fundação de Software Python	Versão 3.5.0	Biblioteca de visualização para plotar resultados.
NumPy	Fundação de Software Python	Versão 1.19.5	Biblioteca de computação numérica.
OpenCV	Código Aberto	Versão 4.5.4	Biblioteca de processamento de imagem e visão computacional.
Pandas	Fundação de Software Python	Versão 1.3.4	Ferramenta de análise e manipulação de dados.
Python (Distribuição Anaconda)	Anaconda Inc	Versão 3.7.12	Inclui pacotes pré-instalados e ferramentas de gerenciamento de ambiente.
Scikit-learn	Fundação de Software Python	Versão 0.23.2	Ferramentas de aprendizado de máquina para avaliação de desempenho.
TensorFlow	Google	Versão 2.6.2	Framework de deep learning para modelos de difusão.