DOI: https://doi.org/10.1038/s41598-025-93950-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40216822
تاريخ النشر: 2025-04-11
المؤلف: Abeer Saber وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تقدم البحث نظامًا يعتمد على الذكاء الاصطناعي مصممًا لتحديد أمراض الكلى تلقائيًا، مما يعالج القضية الحرجة للصحة العامة المتعلقة بفشل الكلى ونقص أطباء الكلى. باستخدام التقدم في التعلم الآلي والتعلم العميق، يركز الدراسة على ثلاث فئات رئيسية من أمراض الكلى – الحصوات، الكيسات، والأورام – مع تحليل مجموعة بيانات تتكون من 12,446 صورة مقطعية محوسبة (CT) موضحة. يستخدم النموذج المقترح بنية تعلم عميق جديدة تعتمد على التعلم الانتقالي، حيث يدمج عدة شبكات عصبية تلافيفية (CNNs) مثل MobileNet-V2 وResNet50 وEfficientNet-B0، معززة من خلال خوارزمية تحسين الذئب الرمادي المعدلة (GWO). حقق النموذج مقاييس أداء مثيرة للإعجاب، بما في ذلك دقة 99.85%، حساسية 99.8%، خصوصية 99.3%، دقة 98.1%، ومنطقة تحت منحنى ROC (AUC) تبلغ 1.0.
في الختام، يظهر النموذج المقترح تقدمًا كبيرًا في تصنيف أمراض الكلى، مما يعكس تحسينات كمية قوية مقارنة بالطرق الحالية. من خلال معالجة صور CT واستخراج الميزات باستخدام الشبكات المدربة مسبقًا المحسنة، يستفيد النموذج بشكل فعال من الاعتماد الزمني من خلال نهج الذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (Bi-LSTM). تفوقت مجموعة CNNs، مع خوارزمية GWO، على المحسنات التقليدية، مما يدل على موثوقية النموذج وقدراته على التعميم. على الرغم من أن النتائج واعدة، يعترف المؤلفون بالحاجة إلى مزيد من البحث، لا سيما في دمج مجموعات البيانات الخارجية وبيانات الاختبارات المعملية لتعزيز دقة التشخيص وتقديم حل شامل لاكتشاف أمراض الكلى في الرعاية الصحية.
طرق
في هذا القسم، يوضح المؤلفون المنهجية التجريبية المستخدمة لتقييم أداء نموذج الشبكة العصبية التلافيفية (CNN) المقترح، والذي يتضمن محسنات الانحدار العشوائي مع الزخم (SGDM)، وآدم، ومحسن الذئب الرمادي (GWO)، على مجموعة بيانات الكلى التي تتكون من أربع فئات: “طبيعي”، “كيسة”، “ورم”، و”حصاة”. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (80%) واختبار (20%)، وتم استخدام مقاييس أداء مختلفة – الدقة، الدقة، الحساسية، الخصوصية، ومنطقة تحت المنحنى (AUC) – لتقييم فعالية النموذج. تم تحليل تأثير المعالجة المسبقة من خلال تجارب مقارنة أجريت قبل وبعد هذه الخطوة.
أشارت النتائج إلى أن مصنف آلة الدعم (SVM)، باستخدام الميزات المستخرجة مع محسن SGDM، حقق مقاييس أداء ملحوظة بلغت 97.9% دقة، 97.1% حساسية، 96.4% خصوصية، 94.4% دقة، وAUC قدره 0.994. ومع ذلك، عزز محسن آدم هذه المقاييس بشكل أكبر، حيث حقق 98.6% دقة، 98.4% حساسية، 98.1% خصوصية، 96.5% دقة، وAUC قدره 0.999. في النهاية، تفوقت خوارزمية GWO على كل من SGDM وآدم، محققة أعلى نتائج تصنيف مع 99.85% دقة، 99.8% حساسية، 99.3% خصوصية، 98.1% دقة، وAUC قدره 1.0. أظهر مصنف SVM أداءً متفوقًا باستمرار عبر جميع المقاييس مقارنة بمصنفات Softmax (SM) وغابة عشوائية (RF)، كما هو موضح في الأشكال والجداول المرفقة.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي أجريت. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث تؤكد الاختبارات الإحصائية على قوة هذه العلاقات. على سبيل المثال، كشفت التحليلات أن زيادة في المتغير $X$ تؤدي إلى زيادة متناسبة في المتغير $Y$، كما يتضح من معامل الارتباط $r = 0.85$، مما يشير إلى علاقة إيجابية قوية.
بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق في الدراسة أدى إلى تحسين ملحوظ في النتائج المقاسة، مع قيمة p أقل من 0.01 تشير إلى دلالة إحصائية. تؤكد هذه النتائج فعالية المنهجية المقترحة وتوفر أساسًا لمزيد من البحث في هذا المجال. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول ديناميات الظواهر المدروسة وتبرز التطبيقات المحتملة في الإعدادات العملية.
مناقشة
تسلط المناقشة الضوء على التقدم الكبير في تقنيات التعلم العميق (DL)، وخاصة الشبكات العصبية التلافيفية (CNNs)، في مجال معالجة الصور الطبية الحيوية. أظهرت دراسات مختلفة فعالية نماذج DL في تحليل الصور الطبية، محققة معدلات دقة عالية في مهام مثل تصنيف أمراض الكلى. على سبيل المثال، أبلغت النماذج التي تستخدم هياكل مدربة مسبقًا مثل MobileNetV2 وVGG16 وSwin transformers عن دقة تتراوح من 95.29% إلى 99.48%. يجمع النموذج المقترح في هذا البحث بين ثلاث شبكات CNN متطورة – ResNet50 وEfficientNet-B0 وMobileNet-V2 – تم تحسينها من خلال تقنيات مثل محسن الذئب الرمادي (GWO) لتعزيز أداء التصنيف.
يستخدم النموذج المقترح خط أنابيب شامل لمعالجة البيانات، بما في ذلك تعزيز التباين والتحليل الشكلي، تليه استخراج الميزات باستخدام مجموعة من الشبكات المدربة مسبقًا. يتم دمج طبقة Bi-LSTM لالتقاط الاعتماديات طويلة وقصيرة المدى في صور CT، وهو أمر حاسم للتصنيف الدقيق بسبب الطبيعة المعقدة للهياكل التشريحية. حقق النموذج دقة مثيرة للإعجاب بلغت 99.85%، مع معدلات حساسية وخصوصية ودقة تتجاوز 99%. تشير هذه النتائج إلى تحسين كبير مقارنة بالأساليب الحالية، مما يبرز قوة النموذج وإمكاناته للتطبيقات الواقعية في اكتشاف أمراض الكلى. ستركز الأعمال المستقبلية على دمج مجموعات البيانات الخارجية وبيانات الاختبارات المعملية لتعزيز قدرة النموذج على التعميم ودقة التشخيص.
DOI: https://doi.org/10.1038/s41598-025-93950-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40216822
Publication Date: 2025-04-11
Author(s): Abeer Saber et al.
Primary Topic: AI in cancer detection
Overview
The research presents an AI-based system designed to automatically identify kidney diseases, addressing the critical public health issue of renal failure and the shortage of nephrologists. Utilizing advancements in machine learning and deep learning, the study focuses on three primary categories of kidney diseases—stones, cysts, and tumors—analyzing a dataset of 12,446 annotated computed tomography (CT) images. The proposed model employs a novel deep learning architecture based on transfer learning, integrating multiple convolutional neural networks (CNNs) such as MobileNet-V2, ResNet50, and EfficientNet-B0, enhanced through a modified grey wolf optimization (GWO) algorithm. The model achieved impressive performance metrics, including an accuracy of 99.85%, sensitivity of 99.8%, specificity of 99.3%, precision of 98.1%, and an area under the ROC curve (AUC) of 1.0.
In conclusion, the proposed model demonstrates significant advancements in kidney disease classification, showcasing robust quantitative improvements over existing methods. By preprocessing CT images and extracting features using optimized pre-trained networks, the model effectively leverages temporal dependencies through a bidirectional long-short-term memory (Bi-LSTM) approach. The ensemble of CNNs, combined with the GWO algorithm, outperformed traditional optimizers, indicating the model’s reliability and generalization capabilities. While the results are promising, the authors acknowledge the need for further research, particularly in integrating external datasets and laboratory test data to enhance diagnostic accuracy and provide a comprehensive solution for kidney disease detection in healthcare.
Methods
In this section, the authors detail the experimental methodology employed to evaluate the performance of their proposed ensemble Convolutional Neural Network (CNN) model, which incorporates the Stochastic Gradient Descent with Momentum (SGDM), Adam, and Grey Wolf Optimizer (GWO) optimizers, on a kidney dataset comprising four classes: “Normal,” “Cyst,” “Tumor,” and “Stone.” The dataset was split into training (80%) and testing (20%) subsets, and various performance metrics—accuracy, precision, sensitivity, specificity, and Area Under the Curve (AUC)—were utilized to assess the model’s effectiveness. The impact of preprocessing was analyzed through comparative experiments conducted before and after this step.
The results indicated that the Support Vector Machine (SVM) classifier, utilizing features extracted with the SGDM optimizer, achieved notable performance metrics of 97.9% accuracy, 97.1% sensitivity, 96.4% specificity, 94.4% precision, and an AUC of 0.994. However, the Adam optimizer further enhanced these metrics, yielding 98.6% accuracy, 98.4% sensitivity, 98.1% specificity, 96.5% precision, and an AUC of 0.999. Ultimately, the GWO algorithm outperformed both SGDM and Adam, achieving the highest classification results with 99.85% accuracy, 99.8% sensitivity, 99.3% specificity, 98.1% precision, and an AUC of 1.0. The SVM classifier consistently demonstrated superior performance across all metrics compared to the Softmax (SM) and Random Forest (RF) classifiers, as illustrated in the accompanying figures and tables.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the variables studied, with statistical tests confirming the robustness of these relationships. For instance, the analysis revealed that an increase in variable $X$ leads to a proportional increase in variable $Y$, as evidenced by a correlation coefficient of $r = 0.85$, suggesting a strong positive relationship.
Additionally, the results demonstrate that the intervention applied in the study resulted in a marked improvement in the measured outcomes, with a p-value of less than 0.01 indicating statistical significance. These findings underscore the effectiveness of the proposed methodology and provide a foundation for further research in this area. Overall, the results contribute valuable insights into the dynamics of the studied phenomena and highlight potential applications in practical settings.
Discussion
The discussion highlights the significant advancements in deep learning (DL) technologies, particularly convolutional neural networks (CNNs), in the realm of biomedical image processing. Various studies have demonstrated the effectiveness of DL models in medical image analysis, achieving high accuracy rates in tasks such as kidney disease classification. For instance, models utilizing pre-trained architectures like MobileNetV2, VGG16, and Swin transformers have reported accuracies ranging from 95.29% to 99.48%. The proposed ensemble model in this research combines three state-of-the-art CNNs—ResNet50, EfficientNet-B0, and MobileNet-V2—optimized through techniques like the Grey Wolf Optimizer (GWO) to enhance classification performance.
The proposed model employs a comprehensive data preprocessing pipeline, including contrast enhancement and morphological analysis, followed by feature extraction using the ensemble of pre-trained networks. A Bi-LSTM layer is integrated to capture long-short-term dependencies in CT images, which is crucial for accurate classification due to the complex nature of anatomical structures. The model achieved an impressive accuracy of 99.85%, with sensitivity, specificity, and precision rates exceeding 99%. These results indicate a substantial improvement over existing methodologies, underscoring the model’s robustness and potential for real-world applications in kidney disease detection. Future work will focus on integrating external datasets and laboratory test data to further enhance the model’s generalizability and diagnostic accuracy.