DOI: https://doi.org/10.1038/s41598-025-85798-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39905177
تاريخ النشر: 2025-02-04
المؤلف: Dheeraj Kumar وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا للتشخيص بمساعدة الكمبيوتر لحصى المرارة باستخدام شبكة عصبية تلافيفية مخصصة (CNN) مع طريقة تفسير بصري بعد الحدث. تهدف البنية المقترحة إلى تعزيز دقة وقابلية تفسير تصنيف حصى المرارة من صور الموجات فوق الصوتية. تشمل المساهمات الرئيسية تطوير شبكة CNN مخصصة مصممة لهذه المهمة، وشبكة تنافسية تلافيفية عميقة معدلة لتوليد صور الموجات فوق الصوتية الاصطناعية لتحسين تعميم النموذج، وطريقة تفسير بصري هجينة تدمج تنشيط الفئة المدعوم بالتدرج مع تفسيرات نموذج محلي قابلة للتفسير لإنتاج خرائط حرارية معلوماتية. تظهر تقييمات الأداء التي أجريت على صور الموجات فوق الصوتية من ثلاثة مستشفيات هندية أن هذا النهج يتجاوز النماذج الحالية الرائدة، بما في ذلك شبكات CNN المدربة مسبقًا ومحولات الرؤية، بينما تعزز الخرائط الحرارية المولدة الشفافية في التشخيصات الطبية.
في الختام، يحقق الأسلوب المقترح دقة تشخيصية عالية ورؤى قابلة للتفسير، مما يجعله أداة قيمة لاتخاذ القرارات السريرية. يضمن نموذج CNN المخصص، المحسن للأداء في الوقت الحقيقي من خلال استخدام طبقة التجميع المتوسطة العالمية (GAP)، توقعات سريعة دون المساس بالموثوقية. تؤكد التحقق من قبل أطباء الأشعة فعالية النموذج في الإعدادات العملية، مما يبرز إمكانيته في المساعدة في تشخيص حصى المرارة والحالات ذات الصلة. تشمل اتجاهات البحث المستقبلية تكييف النموذج لمهام تشخيصية أكثر تعقيدًا عبر أوضاع تصوير مختلفة وتعزيز قوته من خلال معالجة تباين الأداء عبر آلات الموجات فوق الصوتية المختلفة والمشغلين. بالإضافة إلى ذلك، يمكن أن تدعم استكشاف نماذج متطورة تقدم تفسيرات نصية أطباء الأشعة في عملياتهم التشخيصية.
طرق
في هذا القسم، يوضح المؤلفون التصميم التجريبي والإعداد المستخدم لتقييم نهجهم المقترح. تم إجراء سلسلة من التجارب مع تغيير المعلمات الفائقة لتحديد التكوين الأمثل. تم تنفيذ التجارب على وحدة معالجة الرسومات باستخدام محرك Google Compute مع مترجم NVIDIA CUDA 11.8، مع استخدام إجمالي 78.19 غيغابايت من الذاكرة و12.67 غيغابايت من ذاكرة الوصول العشوائي. شمل بيئة البرمجة Python 3 ومكتبات مثل PyTorch وKeras وTensorFlow، مع حجم صورة إدخال ثابت يبلغ \(224 \times 224\) بكسل لصور الموجات فوق الصوتية.
استخدم تدريب النماذج عبر التجارب خسارة الانتروبيا المتقاطعة الثنائية، مع معدلات تعلم تتراوح من \(1 \times 10^{-4}\) إلى \(4 \times 10^{-4}\). تم استخدام تحسين الدفعات الصغيرة لتعزيز الكفاءة الحسابية وإدارة استخدام الذاكرة. كانت المعلمات الفائقة المحددة، بما في ذلك حجم الدفعة، وعدد العصور، واختيارات المحسن، متغيرة عبر التجارب، مع تسليط الضوء على أفضل النتائج من كل مجموعة بالخط العريض. يسمح هذا النهج المنظم بإجراء تحليل شامل لأداء الطريقة المقترحة تحت تكوينات مختلفة.
نتائج
في قسم النتائج، يقدم المؤلفون النتائج من سلسلة من التجارب التي تهدف إلى تحديد بنية الشبكة العصبية التلافيفية (CNN) المثلى لتصنيف حصى المرارة. شمل الاستكشاف تقييمًا شاملاً لمختلف تكوينات النموذج لتحديد أي بنية حققت أعلى دقة ومقاييس أداء في تمييز وجود حصى المرارة.
تشير النتائج إلى أن خيارات معمارية معينة تؤثر بشكل كبير على فعالية التصنيف، حيث تتفوق بعض التكوينات على الأخرى من حيث الدقة والاسترجاع. تؤكد هذه النتائج على أهمية اختيار النموذج في تحليل الصور الطبية، لا سيما للحالات مثل حصى المرارة، حيث يكون التشخيص الدقيق أمرًا حاسمًا.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على البحث المحدود حول الشبكات العصبية التلافيفية (CNNs) لتشخيص حصى المرارة، ويرجع ذلك أساسًا إلى ندرة مجموعات بيانات صور الموجات فوق الصوتية مفتوحة المصدر والاعتماد على نماذج مدربة مسبقًا معقدة. تشكل هذه الافتقار إلى الشفافية في أنظمة التشخيص بمساعدة الكمبيوتر (CAD) تحديات لقبولها في الممارسة السريرية، حيث يتطلب المتخصصون في الرعاية الصحية تفسيرات واضحة للتشخيصات المقدمة من هذه الأنظمة. يؤكد المؤلفون على ضرورة وجود طرق تشخيصية دقيقة وقابلة للتفسير، مما يؤدي إلى اقتراح نهج تصنيف جديد يدمج طريقة تفسير بعد الحدث مع شبكة CNN مخصصة. يهدف هذا النهج إلى تعزيز دقة التشخيص وتقديم تفسيرات بصرية مفصلة للتوقعات، مما يزيد من الثقة بين المتخصصين في الرعاية الصحية والمرضى.
تقدم الورقة عدة مساهمات هامة، بما في ذلك إنشاء مجموعة بيانات جديدة لصور الموجات فوق الصوتية من ثلاثة مستشفيات هندية، وتطوير شبكة تنافسية تلافيفية عميقة معدلة (DCGAN) لتوليد صور الموجات فوق الصوتية الاصطناعية، وتقديم شبكة CNN مخصصة لتصنيف حصى المرارة. بالإضافة إلى ذلك، يتم اقتراح طريقة تفسير بصرية هجينة لتوضيح توقعات النموذج، ويتم إجراء تحليل تجريبي شامل للتحقق من فعالية النهج المقترح مقابل النماذج المدربة مسبقًا الرائدة. تؤكد النتائج على أهمية دمج القابلية للتفسير في أنظمة التشخيص القائمة على CNN لتحسين موثوقيتها وتسهيل اعتمادها في الإعدادات السريرية.
DOI: https://doi.org/10.1038/s41598-025-85798-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39905177
Publication Date: 2025-02-04
Author(s): Dheeraj Kumar et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research paper presents a novel approach for the computer-aided diagnosis of cholelithiasis using a custom Convolutional Neural Network (CNN) combined with a post-hoc visual explanation method. The proposed architecture aims to enhance the accuracy and interpretability of cholelithiasis classification from ultrasound images. Key contributions include the development of a custom CNN tailored for this task, a modified deep convolutional generative adversarial network to generate synthetic ultrasound images for improved model generalization, and a hybrid visual explanation method that integrates gradient-weighted class activation with local interpretable model agnostic explanations to produce informative heatmaps. Performance evaluations conducted on ultrasound images from three Indian hospitals demonstrate that this approach surpasses existing state-of-the-art models, including pre-trained CNNs and Vision Transformers, while the generated heatmaps enhance transparency in medical diagnostics.
In conclusion, the proposed method achieves high diagnostic accuracy and interpretable insights, making it a valuable tool for clinical decision-making. The custom CNN model, optimized for real-time performance through the use of a Global Average Pooling (GAP) layer, ensures quick predictions without compromising reliability. Validation by radiologists further affirms the model’s effectiveness in practical settings, highlighting its potential to assist in diagnosing cholelithiasis and related conditions. Future research directions include adapting the model for more complex diagnostic tasks across various imaging modalities and enhancing its robustness by addressing performance variability across different ultrasound machines and operators. Additionally, the exploration of sophisticated models that provide textual explanations could further support radiologists in their diagnostic processes.
Methods
In this section, the authors detail the experimental design and setup used to evaluate their proposed approach. A series of experiments were conducted with varying hyperparameters to identify the optimal configuration. The experiments were executed on a GPU utilizing the Google Compute Engine with the NVIDIA CUDA 11.8 compiler, employing a total of 78.19 gigabytes of memory and 12.67 gigabytes of RAM. The programming environment included Python 3 and libraries such as PyTorch, Keras, and TensorFlow, with a consistent input image size of \(224 \times 224\) pixels for ultrasound images.
The training of models across the experiments employed Binary Cross Entropy loss, with learning rates ranging from \(1 \times 10^{-4}\) to \(4 \times 10^{-4}\). Minibatch optimization was utilized to enhance computational efficiency and manage memory usage. Specific hyperparameters, including batch size, number of epochs, and optimizer choices, varied across experiments, with the best results from each set highlighted in bold. This structured approach allows for a comprehensive analysis of the proposed method’s performance under different configurations.
Results
In the Results section, the authors present findings from a series of experiments aimed at identifying the optimal convolutional neural network (CNN) architecture for the classification of cholelithiasis. The exploration involved a comprehensive evaluation of various model configurations to ascertain which architecture yielded the highest accuracy and performance metrics in distinguishing gallstone presence.
The results indicate that specific architectural choices significantly impact classification efficacy, with certain configurations outperforming others in terms of precision and recall. These findings underscore the importance of model selection in medical image analysis, particularly for conditions such as cholelithiasis, where accurate diagnosis is critical.
Discussion
The discussion section of the paper highlights the limited research on convolutional neural networks (CNNs) for diagnosing cholelithiasis, primarily due to the scarcity of open-source ultrasound image datasets and the reliance on complex pre-trained models. This lack of transparency in computer-aided diagnosis (CAD) systems poses challenges for their acceptance in clinical practice, as healthcare professionals require clear explanations for the diagnoses provided by these systems. The authors emphasize the necessity for accurate and explainable diagnostic methods, leading to the proposal of a novel classification approach that integrates a post-hoc explanation method with a custom CNN. This approach aims to enhance diagnostic accuracy and provide detailed visual explanations for predictions, thereby increasing trust among healthcare professionals and patients.
The paper makes several significant contributions, including the creation of a new ultrasound image dataset from three Indian hospitals, the development of a modified Deep Convolutional Generative Adversarial Network (DCGAN) for generating synthetic ultrasound images, and the introduction of a custom CNN for cholelithiasis classification. Additionally, a hybrid visual explanation method is proposed to elucidate model predictions, and an extensive experimental analysis is conducted to validate the efficacy of the proposed approach against state-of-the-art pre-trained models. The findings underscore the importance of integrating explainability into CNN-based diagnostic systems to improve their reliability and facilitate their adoption in clinical settings.