DOI: https://doi.org/10.1038/s41598-025-97297-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40229347
تاريخ النشر: 2025-04-14
المؤلف: Dost Muhammad وآخرون
الموضوع الرئيسي: الجودة والسلامة في الرعاية الصحية
نظرة عامة
تقدم البحث إطارًا تشخيصيًا جديدًا لسرطان الدم الليمفاوي الحاد (ALL) الذي يدمج بنية EfficientNet-B7 مع تقنيات الذكاء الاصطناعي القابل للتفسير (XAI). يهدف هذا الإطار إلى تعزيز دقة التشخيص مع الحفاظ على الكفاءة الحسابية والشفافية في توقعات النموذج. أظهر النموذج أداءً تشخيصيًا مثيرًا للإعجاب، حيث حقق دقة تزيد عن 96% على مجموعة بيانات مستشفى طالقاني و95.50% على مجموعات بيانات C-NMC-19 وMulti-Cancer. أكدت التقييمات الشاملة باستخدام مقاييس مثل المساحة تحت المنحنى (AUC)، ومتوسط الدقة (mAP)، والدقة، والاسترجاع، ودرجة F1 تفوقه على الهياكل المعروفة مثل VGG-19 وResNet50، إلى جانب انخفاض ملحوظ في أوقات الاستدلال بنسبة تصل إلى 40%.
على الرغم من هذه التقدمات، يعترف الدراسة بعدة قيود، بما في ذلك التحقق من صحة الإطار فقط على مجموعات البيانات الدموية، مما قد يقيد قابليته للتعميم على مجالات التصوير الطبي الأخرى. بالإضافة إلى ذلك، قد يؤدي دمج طرق XAI متعددة إلى زيادة الحمل الحسابي، والاعتماد على مجموعات البيانات المعلّمة يطرح تحديات في قابلية التوسع. تشمل اتجاهات البحث المستقبلية استكشاف هياكل الشبكات العصبية الإضافية، ومعالجة قابلية التوسع من خلال التعلم شبه المراقب، وتحسين المتطلبات الحسابية لطرق XAI لضمان قابلية التطبيق السريري في الوقت الحقيقي. بشكل عام، يضع هذا العمل معيارًا مهمًا للتشخيصات المدفوعة بالذكاء الاصطناعي في ALL، مع التأكيد على التوازن الحرج بين الأداء، والقابلية للتفسير، والأهمية السريرية.
طرق
تم توضيح سير العمل المقترح للدراسة بشكل منهجي، ويشمل الفحص التشخيصي، وجمع البيانات، والمعالجة المسبقة، واستخراج الميزات باستخدام نموذج EfficientNet-B7. بعد التجميع والتدريب، يتم تقييم أداء النموذج من خلال مقاييس مختلفة، مع التركيز على الكفاءة الحسابية. لتعزيز القابلية للتفسير، تم دمج طرق الذكاء الاصطناعي القابل للتفسير (XAI) مثل Grad-CAM، ورسم تنشيط الفئة (CAM)، وLIME، والتدرجات المتكاملة (IG)، مما يسهل فهمًا أوضح لقرارات النموذج للموظفين الصحيين، والمرضى، وعشاق التكنولوجيا.
تم تنفيذ الإعداد التجريبي في بايثون، مستفيدًا من مكتبات التعلم العميق القوية، بما في ذلك TensorFlow وKeras. تم إجراء عمليات التدريب والتقييم على نظام عالي الأداء مزود بمعالج AMD Ryzen 7 5700X ثماني النواة و16GB NVIDIA GeForce RTX 4080 GPU، مع نظام تشغيل Ubuntu 20.04 LTS. لضمان الاتساق، تم استخدام بيئات بايثون الافتراضية لإدارة التبعيات. استخدم تدريب النموذج مُحسّن Adamax بمعدل تعلم قدره 0.001 وحجم دفعة قدره 32، مع دمج الإيقاف المبكر لتقليل الإفراط في التكيف. تم استخدام TensorBoard للمراقبة في الوقت الحقيقي، مما يوفر رؤى بصرية حول مقاييس التدريب مثل دقة و منحنيات الخسارة.
نتائج
في هذه الدراسة، استخدم المؤلفون بنية الشبكة العصبية التلافيفية (CNN) EfficientNet-B7 لتحديد وتصنيف سرطان الدم الليمفاوي الحاد (ALL) باستخدام الصور المجهرية. بعد إكمال مراحل التدريب والتحقق من صحة النموذج، طبقوا منهجيات الذكاء الاصطناعي القابل للتفسير (XAI) لتوضيح عملية اتخاذ القرار وراء توقعات النموذج. لا تعزز هذه الطريقة فقط قابلية تفسير مخرجات النموذج ولكنها تساهم أيضًا في فهم قدراته التصنيفية في سياق التشخيص الطبي.
نقاش
في قسم النقاش من ورقة البحث، يتم مراجعة دراسات مختلفة تتعلق بالكشف وتصنيف سرطان الدم الليمفاوي الحاد (ALL) باستخدام تقنيات الذكاء الاصطناعي القابل للتفسير (XAI). تشمل المساهمات الملحوظة استخدام الشبكات العصبية التلافيفية (CNNs) والنماذج الهجينة التي تدمج بين عدة هياكل تعلم عميق، مثل EfficientNet-B3 وVGG-16، لتعزيز دقة التصنيف. تؤكد الورقة على أهمية زيادة البيانات والتعلم المنقول في تحسين أداء النموذج عبر مجموعات بيانات مختلفة، بما في ذلك C-NMC-19 وALL_IBD وغيرها. بالإضافة إلى ذلك، يتم تسليط الضوء على دمج طرق XAI مثل LIME وSHAP كوسيلة لتوفير القابلية للتفسير في توقعات النموذج، وهو أمر حاسم للتطبيقات في الرعاية الصحية.
يجادل المؤلفون بأنه على الرغم من أن الدراسات السابقة قد حققت تقدمًا كبيرًا في دقة النموذج، إلا أنها غالبًا ما تفتقر إلى الكفاءة الحسابية والقابلية الشاملة للتفسير، مما يحد من تطبيقها العملي في إعدادات الرعاية الصحية في الوقت الحقيقي. تميز هذه الدراسة نفسها من خلال استخدام EfficientNet-B7، الذي يوازن بين الدقة والكفاءة، ومن خلال دمج تقنيات XAI متعددة (Grad-CAM وCAM وLIME وIntegrated Gradients) لتعزيز قابلية تفسير النموذج. تظهر مقاييس التقييم المستخدمة، بما في ذلك الدقة، والدقة، والاسترجاع، والمساحة تحت المنحنى (AUC)، أداءً محسّنًا، مما يضع معيارًا جديدًا لـ XAI في أبحاث ALL. بشكل عام، تشير النتائج إلى أن دمج هياكل التعلم العميق المتقدمة مع طرق XAI القوية يمكن أن يعزز بشكل كبير القدرات التشخيصية لـ ALL مع معالجة الحاجة الملحة لشفافية النموذج في التطبيقات السريرية.
DOI: https://doi.org/10.1038/s41598-025-97297-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40229347
Publication Date: 2025-04-14
Author(s): Dost Muhammad et al.
Primary Topic: Quality and Safety in Healthcare
Overview
The research presents a novel diagnostic framework for Acute Lymphoblastic Leukemia (ALL) that integrates the EfficientNet-B7 architecture with Explainable Artificial Intelligence (XAI) techniques. This framework aims to enhance diagnostic accuracy while maintaining computational efficiency and transparency in model predictions. The model demonstrated impressive diagnostic performance, achieving accuracies greater than 96% on the Taleqani Hospital dataset and 95.50% on the C-NMC-19 and Multi-Cancer datasets. Comprehensive evaluations using metrics such as Area Under the Curve (AUC), mean Average Precision (mAP), Accuracy, Precision, Recall, and F1-score confirmed its superiority over established architectures like VGG-19 and ResNet50, alongside a notable reduction in inference times by up to 40%.
Despite these advancements, the study acknowledges several limitations, including the framework’s validation solely on hematological datasets, which may restrict its generalizability to other medical imaging domains. Additionally, the integration of multiple XAI methods could introduce computational overhead, and reliance on labeled datasets poses scalability challenges. Future research directions include exploring additional neural network architectures, addressing scalability through semi-supervised learning, and optimizing the computational demands of XAI methods to ensure real-time clinical applicability. Overall, this work establishes a significant benchmark for AI-driven diagnostics in ALL, emphasizing the critical balance between performance, explainability, and clinical relevance.
Methods
The proposed workflow for the study is systematically outlined, encompassing diagnostic screening, data collection, pre-processing, and feature extraction utilizing the EfficientNet-B7 model. Following compilation and training, the model’s performance is evaluated through various metrics, emphasizing computational efficiency. To enhance interpretability, explainable artificial intelligence (XAI) methods such as Grad-CAM, Class Activation Mapping (CAM), LIME, and Integrated Gradients (IG) are incorporated, facilitating a clearer understanding of the model’s decisions for health staff, patients, and technology enthusiasts.
The experimental setup was executed in Python, leveraging its robust deep learning libraries, including TensorFlow and Keras. The training and evaluation processes were conducted on a high-performance system featuring an AMD Ryzen 7 5700X Eight-Core CPU and a 16GB NVIDIA GeForce RTX 4080 GPU, with Ubuntu 20.04 LTS as the operating system. To ensure consistency, Python virtual environments were utilized for dependency management. The model training employed the Adamax optimizer with a learning rate of 0.001 and a batch size of 32, incorporating early stopping to mitigate overfitting. TensorBoard was utilized for real-time monitoring, providing visual insights into training metrics such as accuracy and loss curves.
Results
In this study, the authors utilized the EfficientNet-B7 convolutional neural network (CNN) architecture to identify and classify acute lymphoblastic leukemia (ALL) using microscopic images. After completing the training and validation phases of the model, they applied explainable artificial intelligence (XAI) methodologies to elucidate the decision-making process behind the model’s predictions. This approach not only enhances the interpretability of the model’s outputs but also contributes to the understanding of its classification capabilities in the context of medical diagnostics.
Discussion
In the discussion section of the research paper, various studies related to the detection and classification of Acute Lymphoblastic Leukemia (ALL) using Explainable Artificial Intelligence (XAI) techniques are reviewed. Notable contributions include the use of Convolutional Neural Networks (CNNs) and hybrid models that integrate multiple deep learning architectures, such as EfficientNet-B3 and VGG-16, to enhance classification accuracy. The paper emphasizes the importance of data augmentation and transfer learning in improving model performance across different datasets, including C-NMC-19, ALL_IBD, and others. Additionally, the integration of XAI methods like LIME and SHAP is highlighted as a means to provide interpretability in model predictions, which is crucial for applications in healthcare.
The authors argue that while previous studies have made significant strides in model accuracy, they often lack computational efficiency and comprehensive explainability, which limits their practical application in real-time healthcare settings. This study distinguishes itself by employing EfficientNet-B7, which balances accuracy and efficiency, and by incorporating multiple XAI techniques (Grad-CAM, CAM, LIME, and Integrated Gradients) to enhance model interpretability. The evaluation metrics used, including accuracy, precision, recall, and area under the curve (AUC), demonstrate improved performance, setting a new benchmark for XAI in ALL research. Overall, the findings suggest that integrating advanced deep learning architectures with robust XAI methods can significantly enhance the diagnostic capabilities for ALL while addressing the critical need for model transparency in clinical applications.