DOI: https://doi.org/10.3389/fmed.2025.1567119
PMID: https://pubmed.ncbi.nlm.nih.gov/40357272
تاريخ النشر: 2025-04-28
المؤلف: Kuo‐Yang Huang وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تناقش هذه الفقرة أهمية التشخيص المبكر والتصنيف الدقيق لسرطان الرئة، مع التأكيد على تأثيره على العلاج السريري وبقاء المرضى. تبرز التقدمات في الذكاء الاصطناعي، لا سيما في تحليل الصور الطبية، باستخدام مجموعة بيانات Lung-PET-CT-Dx العامة لتدريب وتقييم نماذج مختلفة. تم إجراء تحليل مقارن لسلسلة You Only Look Once (YOLO) – تحديدًا YOLOv5 وYOLOv8 وYOLOv9 وYOLOv10 وYOLOv11 – لتقييم أدائها في الكشف عن سرطان الرئة وتصنيفه.
تظهر النتائج أن YOLOv8 يتفوق على الإصدارات الأخرى، حيث حقق معدل دقة يبلغ 90.32% ومعدل استرجاع يبلغ 84.91%. وهذا يشير إلى أن YOLOv8 هو أداة قيمة لمساعدة الأطباء في تشخيص سرطان الرئة، مما يعزز دقة تحديد المرض وتحديده. تؤكد الدراسة على إمكانية الذكاء الاصطناعي في تسهيل التعرف السريع على أنواع سرطان الرئة ومواقعها، مما يمثل تقدمًا كبيرًا في التشخيص الطبي.
مقدمة
تسلط مقدمة ورقة البحث الضوء على القضية الحرجة لسرطان الرئة، الذي يعد السبب الرئيسي للوفيات المرتبطة بالسرطان في تايوان ويظل شائعًا على مستوى العالم. لقد زادت حالات سرطان الرئة في تايوان بشكل كبير، حيث تم الإبلاغ عن 71,334 حالة من 2010 إلى 2016، مما يستدعي تحسين طرق الكشف. يتم تصنيف سرطان الرئة إلى سرطان الرئة صغير الخلايا (SCLC) وسرطان الرئة غير صغير الخلايا (NSCLC)، حيث يعد الأخير أكثر عدوانية ويشكل 85% من الحالات. يتم التأكيد على تقنيات التشخيص الحالية، مثل الأشعة المقطعية (CT) والأشعة المقطعية بالإصدار البوزيتروني/الأشعة المقطعية (PET/CT)، لحساسيتها في الكشف المبكر، على الرغم من استمرار التحديات مثل الإيجابيات الكاذبة والسلبية في أنظمة الكشف المعتمدة على الكمبيوتر (CAD).
تهدف الدراسة إلى تحسين الكشف عن سرطان الرئة من خلال نظام CAD متقدم يستخدم نموذج كشف الكائنات YOLO (You Only Look Once). من خلال تدريب والتحقق من صحة إصدارات مختلفة من نموذج YOLO (YOLOv5 وYOLOv8 وYOLOv9 وYOLOv10 وYOLOv11) على مجموعة بيانات صور CT، تقيم البحث فعاليتها في تصنيف وتحديد أنواع سرطان الرئة. تهدف الورقة إلى مقارنة مزايا وقيود هذه النماذج من حيث الدقة وسرعة الاستدلال والملاءمة العامة، مما يبرز أهمية التشخيص المبكر لتعزيز معدلات بقاء المرضى.
طرق
في هذا القسم، يوضح المؤلفون تصميم التجربة وتقييم الأداء لمختلف إصدارات نموذج YOLO (You Only Look Once). تم إجراء التجارب باستخدام حزمة ultralytics، حيث تم تدريب جميع النماذج على وحدة معالجة الرسوميات NVIDIA RTX 4090، باستخدام Python 3.10 كلغة برمجة. تم تلخيص إعدادات المعلمات الرئيسية للنماذج في الجدول 2، بينما تم تقديم مقاييس الأداء لكل إصدار من النماذج في الجدول 3، مما يوفر نظرة شاملة على فعاليتها في المهام المحددة.
مناقشة
في هذه الدراسة، تم تقييم إصدارات مختلفة من نموذج YOLO (You Only Look Once) – تحديدًا YOLOv5 وYOLOv8 وYOLOv9 وYOLOv10 وYOLOv11 – لفعاليتها في الكشف عن سرطان الرئة في صور CT. أشارت النتائج إلى أن YOLOv8 يتفوق باستمرار على النماذج الأخرى عبر مقاييس الأداء الرئيسية، بما في ذلك متوسط الدقة (mAP50: 94.01%، mAP50-95: 55.70%)، والدقة (90.32%)، والاسترجاع (84.91%). يُعزى هذا الأداء المتفوق إلى بنية YOLOv8 المحسّنة وقدرات استخراج الميزات، مما يعزز دقتها في مهام كشف وتصنيف الكائنات.
على الرغم من مزايا YOLOv8، فإنه يقدم أيضًا متطلبات حسابية أعلى بسبب زيادة عدد المعلمات وعمليات النقطة العائمة (FLOPs). تؤكد الدراسة على أهمية دمج توقعات النموذج مع الخبرة السريرية لضمان دقة التشخيص، خاصة بالنظر إلى التأثير المحتمل للعيوب في بيانات التصوير. تشمل اتجاهات البحث المستقبلية التحقق من صحة النموذج مع مجموعات البيانات السريرية، ودمج بيانات ديموغرافية متنوعة، واستكشاف تقنيات التعلم العميق الإضافية لتحسين الدقة التنبؤية في تشخيص سرطان الرئة. بشكل عام، تشير النتائج إلى أن YOLOv8 يحمل وعدًا كبيرًا لتعزيز موثوقية تحليل الصور الطبية ودعم اتخاذ القرارات السريرية في علاج سرطان الرئة.
DOI: https://doi.org/10.3389/fmed.2025.1567119
PMID: https://pubmed.ncbi.nlm.nih.gov/40357272
Publication Date: 2025-04-28
Author(s): Kuo‐Yang Huang et al.
Primary Topic: AI in cancer detection
Overview
The section discusses the significance of early diagnosis and accurate classification of lung cancer, emphasizing its impact on clinical treatment and patient survival. It highlights the advancements in artificial intelligence, particularly in medical image analysis, utilizing the Lung-PET-CT-Dx public dataset for training and evaluating various models. A comparative analysis of the You Only Look Once (YOLO) series—specifically YOLOv5, YOLOv8, YOLOv9, YOLOv10, and YOLOv11—was conducted to assess their performance in lung cancer detection and classification.
The findings reveal that YOLOv8 outperforms the other versions, achieving a precision rate of 90.32% and a recall rate of 84.91%. This indicates that YOLOv8 is a valuable tool for assisting physicians in the diagnosis of lung cancer, enhancing the accuracy of disease localization and identification. The study underscores the potential of artificial intelligence to facilitate rapid identification of lung cancer types and locations, marking a significant advancement in medical diagnostics.
Introduction
The introduction of the research paper highlights the critical issue of lung cancer, which is the leading cause of cancer-related deaths in Taiwan and remains prevalent globally. The incidence of lung cancer in Taiwan has significantly increased, with 71,334 cases reported from 2010 to 2016, necessitating enhanced detection methods. Lung cancer is categorized into Small Cell Lung Cancer (SCLC) and Non-Small Cell Lung Cancer (NSCLC), with the latter being more invasive and accounting for 85% of cases. Current diagnostic techniques, such as computed tomography (CT) scans and Positron Emission Tomography/Computed Tomography (PET/CT), are emphasized for their sensitivity in early detection, although challenges such as false positives and negatives in Computer-Aided Detection (CAD) systems persist.
The study aims to improve lung cancer detection through an advanced CAD system utilizing the YOLO (You Only Look Once) object detection model. By training and validating various versions of the YOLO model (YOLOv5, YOLOv8, YOLOv9, YOLOv10, and YOLOv11) on a CT image dataset, the research evaluates their effectiveness in classifying and localizing lung cancer types. The paper intends to compare the advantages and limitations of these models in terms of accuracy, reasoning speed, and overall applicability, underscoring the importance of early diagnosis for enhancing patient survival rates.
Methods
In this section, the authors detail the experimental design and performance evaluation of various YOLO (You Only Look Once) model versions. The experiments were conducted using the ultralytics package, with all models trained on an NVIDIA RTX 4090 GPU, utilizing Python 3.10 as the programming language. Key parameter settings for the models are summarized in Table 2, while the performance metrics for each model version are presented in Table 3, providing a comprehensive overview of their effectiveness in the specified tasks.
Discussion
In this study, various versions of the YOLO (You Only Look Once) model—specifically YOLOv5, YOLOv8, YOLOv9, YOLOv10, and YOLOv11—were evaluated for their effectiveness in detecting lung cancer in CT images. The results indicated that YOLOv8 consistently outperformed the other models across key performance metrics, including mean Average Precision (mAP50: 94.01%, mAP50-95: 55.70%), Precision (90.32%), and Recall (84.91%). This superior performance is attributed to YOLOv8’s optimized architecture and feature extraction capabilities, which enhance its accuracy in object detection and classification tasks.
Despite YOLOv8’s advantages, it also presents higher computational demands due to its increased number of parameters and floating-point operations (FLOPs). The study emphasizes the importance of integrating model predictions with clinical expertise to ensure diagnostic accuracy, particularly given the potential influence of artifacts in imaging data. Future research directions include validating the model with clinical datasets, incorporating diverse demographic data, and exploring additional deep learning techniques to further improve predictive accuracy in lung cancer diagnosis. Overall, the findings suggest that YOLOv8 holds significant promise for enhancing the reliability of medical image analysis and supporting timely clinical decision-making in lung cancer treatment.