DOI: https://doi.org/10.1038/s41598-026-37663-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41588052
تاريخ النشر: 2026-01-26
المؤلف: V. Nagalakshmi وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
يظل سرطان الثدي تهديدًا صحيًا كبيرًا على مستوى العالم، لا سيما بين النساء، وتحليل الصور النسجية (HI) هو طريقة حاسمة لتشخيص الأورام. ومع ذلك، فإن الفحص اليدوي التقليدي لصور الثدي النسجية يتطلب جهدًا كبيرًا، ويعتمد على الذات، ويكون عرضة للأخطاء. لمعالجة هذه التحديات، ظهرت أنظمة التشخيص المدعوم بالحاسوب (CAD)، مستفيدة من التقدم في قوة الحوسبة والذاكرة. على الرغم من إمكانياتها، فإن أداء طرق CAD الحالية يتطلب تحسينًا إضافيًا للتطبيق العملي.
تقدم هذه الورقة نهج الاستفادة من التصوير الطبي للكشف المبكر عن سرطان الثدي باستخدام التعلم العميق (LMIBCD-DL)، والذي يهدف إلى تحسين تشخيص سرطان الثدي الآلي. يتضمن أسلوب LMIBCD-DL تصفية وينر (WF) لتقليل الضوضاء بشكل فعال أثناء معالجة الصور مع الحفاظ على الهياكل النسجية الأساسية. لاستخراج الميزات، يتم استخدام نموذج ResNet مع الضغط والتحفيز (SE-ResNet) لاشتقاق تمثيلات غنية ومميزة من الأنماط النسجية المعقدة. يتم تحسين عملية الكشف باستخدام الشبكات العصبية طويلة وقصيرة المدى ثنائية الاتجاه (BiLSTM). تشير النتائج المقارنة إلى أن هذا النهج يحقق دقة ملحوظة تبلغ 98%، مما يدل على إمكانيته كأداة موثوقة في التطبيقات الطبية للكشف المبكر عن سرطان الثدي.
مقدمة
تسلط المقدمة الضوء على الأهمية العالمية لسرطان الثدي (BC) كأكثر أشكال السرطان انتشارًا وفتكًا التي تؤثر على النساء، مع معدلات وفيات مرتفعة مقارنة بأنواع السرطان الأخرى. على الرغم من التقدم في التكنولوجيا الطبية، لا يزال تحليل الصور النسجية (HI) هو الطريقة القياسية لتشخيص سرطان الثدي. التصنيف الدقيق والآلي لصور HI عالية الدقة أمر حاسم لمجالات البحث الأخرى مثل تحديد مواقع النوى، واكتشاف الانقسام، وتقسيم الغدد. يمكن أن يعزز التعرف الأولي الفعال على سرطان الثدي من خلال التحليل النسجي نتائج العلاج ومعدلات بقاء المرضى.
يؤكد النص على دور أنظمة التشخيص المدعوم بالحاسوب (CAD) في تحسين سرعة ودقة تشخيص سرطان الثدي من صور HI. تستفيد هذه الأنظمة من التقدم في معالجة الصور والتعلم الآلي (ML) لتحليل عينات الأنسجة، مميزة بين الهياكل النسجية الحميدة والخبيثة. ومع ذلك، لا تزال التحديات قائمة في تصنيف سرطان الثدي بسبب التعقيد الفطري لصور HI، بما في ذلك مشكلات مثل تداخل الخلايا، وتغيرات الصورة الطفيفة، وتوزيع الألوان غير المتسق. تمهد المقدمة الطريق لاستكشاف أساليب التعلم العميق (DL) لمعالجة هذه التحديات في تشخيص سرطان الثدي.
طرق
في هذه الدراسة، يقدم المؤلفون نهجًا جديدًا يسمى LMIBCD-DL، مصممًا لتعزيز تشخيص سرطان الثدي (BC) الآلي ضمن التطبيقات الطبية. يتكون إطار عمل LMIBCD-DL من عدة مكونات حاسمة: معالجة الصور المسبقة، استخراج الميزات، كشف سرطان الثدي، وضبط المعلمات. كل من هذه العناصر أساسية لوظائف النموذج، مما يضمن دعم تشخيصي دقيق وموثوق. تهدف المنهجية إلى تحسين كفاءة وفعالية كشف سرطان الثدي، وبالتالي المساهمة في التقدم في التصوير الطبي وممارسات التشخيص.
مناقشة
تسلط المناقشة الضوء على التقدم الكبير في تقنيات التعلم العميق (DL) المطبقة على معالجة الصور ورؤية الكمبيوتر، لا سيما في سياق تصنيف صور سرطان الثدي (BC) النسجية. من الجدير بالذكر أن دمج نماذج مختلفة مثل محول الرؤية المتبقي العدائي (ARiViT) والتعلم المتبقي (RL) مع محولات الرؤية (ViTs) والشبكات العصبية الالتفافية (CNNs) قد أظهر وعدًا في تعزيز كشف صور الأورام المعقدة. إن طريقة LMIBCD-DL، التي تستخدم فلتر وينر (WF) لتقليل الضوضاء، تحافظ بشكل فعال على الهياكل النسجية الحرجة بينما تحسن جودة الصور المدخلة لتطبيقات DL اللاحقة. تعتبر هذه الخطوة المسبقة حاسمة لتقليل الإيجابيات والسلبيات الكاذبة في العمليات التشخيصية.
تظهر النتائج التجريبية فعالية نهج LMIBCD-DL، حيث تحقق معدلات دقة مثيرة للإعجاب تبلغ 98.38% و97.90% عبر تقسيمات التدريب والاختبار المختلفة. تكشف المقارنات مع المنهجيات الحالية أن إطار عمل LMIBCD-DL يتفوق على نماذج أخرى، بما في ذلك BiLSTM وهياكل CNN المختلفة، من حيث الدقة والحساسية والنوعية ودرجة F1. ومع ذلك، يعترف المؤلفون بالقيود، مثل نقص التحقق الخارجي والحاجة إلى التقييم عبر سيناريوهات سريرية متنوعة. تشمل اتجاهات البحث المستقبلية توسيع مجموعة البيانات لتشمل أنواع فرعية متعددة من سرطان الثدي ودمج النموذج في سير العمل السريري لتعزيز قابليته العملية.
DOI: https://doi.org/10.1038/s41598-026-37663-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41588052
Publication Date: 2026-01-26
Author(s): V. Nagalakshmi et al.
Primary Topic: AI in cancer detection
Overview
Breast cancer remains a significant health threat globally, particularly among women, and histopathological image (HI) analysis is a critical method for diagnosing malignancy. However, traditional manual examination of breast HIs is labor-intensive, subjective, and prone to errors. To address these challenges, computer-aided diagnosis (CAD) systems have emerged, leveraging advancements in computational power and memory. Despite their potential, the performance of existing CAD methods requires further enhancement for practical application.
This paper introduces the Leveraging Medical Imaging for Early Breast Cancer Detection Using Deep Learning (LMIBCD-DL) approach, which aims to improve automated breast cancer diagnosis. The LMIBCD-DL method incorporates Wiener filtering (WF) for effective noise reduction during image preprocessing while maintaining essential tissue structures. For feature extraction, the squeeze-and-excitation ResNet (SE-ResNet) model is employed to derive rich, discriminative representations from complex histopathological patterns. The detection process is further refined using bi-directional long short-term memory (BiLSTM) networks. Comparative results indicate that this approach achieves a notable accuracy of 98%, demonstrating its potential as a reliable tool in medical applications for early breast cancer detection.
Introduction
The introduction highlights the global significance of breast cancer (BC) as the most prevalent and lethal form of cancer affecting women, with high mortality rates compared to other cancer types. Despite advancements in medical technology, histopathological image (HI) analysis remains the standard method for BC diagnosis. The accurate and automated classification of higher-resolution HIs is crucial for further research areas such as nuclei localization, mitosis detection, and gland segmentation. Effective initial identification of BC through histopathological analysis can enhance treatment outcomes and patient survival rates.
The text emphasizes the role of computer-aided diagnosis (CAD) systems in improving the speed and accuracy of BC diagnosis from HIs. These systems leverage advancements in image processing and machine learning (ML) to analyze tissue specimens, distinguishing between benign and malignant histopathological structures. However, challenges persist in BC classification due to the inherent complexity of HIs, including issues like cell overlapping, subtle image variations, and inconsistent color distribution. The introduction sets the stage for exploring deep learning (DL) approaches to address these challenges in BC diagnosis.
Methods
In this study, the authors present a novel approach termed LMIBCD-DL, designed to enhance automated breast cancer (BC) diagnosis within medical applications. The LMIBCD-DL framework comprises several critical components: image pre-processing, feature extraction, BC detection, and parameter tuning. Each of these elements is integral to the model’s functionality, ensuring accurate and reliable diagnostic support. The methodology aims to improve the efficiency and effectiveness of BC detection, thereby contributing to advancements in medical imaging and diagnostic practices.
Discussion
The discussion highlights significant advancements in deep learning (DL) techniques applied to image processing and computer vision, particularly in the context of breast cancer (BC) histopathology image classification. Notably, the integration of various models such as the Adversarial Residual Vision Transformer (ARiViT) and Residual Learning (RL) with Vision Transformers (ViTs) and Convolutional Neural Networks (CNNs) has shown promise in enhancing the detection of complex tumor images. The LMIBCD-DL method, which employs a Wiener Filter (WF) for noise reduction, effectively preserves critical tissue structures while improving the quality of input images for downstream DL applications. This preprocessing step is crucial for minimizing false positives and negatives in diagnostic processes.
The experimental results demonstrate the efficacy of the LMIBCD-DL approach, achieving impressive accuracy rates of 98.38% and 97.90% across different training and testing splits. Comparisons with existing methodologies reveal that the LMIBCD-DL framework outperforms other models, including BiLSTM and various CNN architectures, in terms of accuracy, sensitivity, specificity, and F1 score. However, the authors acknowledge limitations, such as the lack of external validation and the need for evaluation across diverse clinical scenarios. Future research directions include expanding the dataset to encompass multi-class BC subtypes and integrating the model into clinical workflows to enhance its practical applicability.