DOI: https://doi.org/10.14218/erhm.2025.00032
تاريخ النشر: 2026-01-15
المؤلف: Lotfi Salhi وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تقدم ورقة البحث دراسة تهدف إلى تطوير طريقة تلقائية لاكتشاف وتصنيف العقيدات الرئوية باستخدام بنية الشبكة العصبية التلافيفية (CNN) المطبقة على صور الأشعة المقطعية (CT) من قاعدة بيانات LIDC-IDRI. يعتبر سرطان الرئة السبب الرئيسي للوفيات المرتبطة بالسرطان، مما يستلزم الكشف المبكر عن العقيدات الرئوية للعلاج الفعال. تتناول الدراسة قيود أنظمة الكشف المدعومة بالحاسوب التقليدية، التي غالبًا ما تعاني من معدلات إيجابية خاطئة مرتفعة وحساسية منخفضة. تتضمن الطريقة المقترحة عملية من خمس خطوات: معالجة الصور، تقسيم نسيج الرئة، اكتشاف مرشحي العقيدات، استخراج الميزات، والتصنيف عبر نموذج CNN. تشمل البنية طبقتين تلافيفيتين، تنشيط ReLU، طبقات تجميع قصوى، وطبقة إخراج Softmax، تم تدريبها باستخدام نزول التدرج العشوائي مع الزخم.
تشير النتائج إلى أن نموذج CNN حقق مقاييس أداء مثيرة للإعجاب: حساسية بنسبة 98.7%، خصوصية بنسبة 97.5%، دقة بنسبة 97.9%، ودقة بنسبة 98.4%. بالإضافة إلى ذلك، أظهر النموذج قدرات تصنيف قوية لأنواع العقيدات، متفوقًا أو متساويًا مع الطرق الحالية مع الحفاظ على تعقيد حسابي أقل. على الرغم من النتائج الواعدة، تعترف الدراسة بالقيود مثل الاعتماد على قاعدة بيانات واحدة ومجموعة تدريب صغيرة نسبيًا. تهدف الأعمال المستقبلية إلى التحقق من صحة النموذج عبر مجموعات بيانات متنوعة واستكشاف التصنيف متعدد الفئات، مما يعزز قابليته للتطبيق في البيئات السريرية. بشكل عام، يمثل النظام القائم على CNN المقترح تقدمًا كبيرًا في تحليل العقيدات الرئوية التلقائي، مما يوفر أداة موثوقة لأطباء الأشعة في الكشف المبكر عن سرطان الرئة.
مقدمة
يعتبر سرطان الرئة السبب الرئيسي للوفيات المرتبطة بالسرطان على مستوى العالم، مع تشخيص حوالي 2.48 مليون حالة جديدة سنويًا، مما يمثل 12.4% من جميع حالات السرطان ويسفر عن أكثر من 1.8 مليون وفاة. يعد الكشف المبكر عن العقيدات الرئوية، التي يمكن أن تشير إلى سرطان الرئة في مراحله المبكرة، أمرًا حيويًا لتحسين نتائج المرضى. ومع ذلك، فإن التفسير اليدوي لصور الأشعة المقطعية غالبًا ما يكون تحديًا ويخضع للتباين، خاصةً بالنسبة للعقيدات الصغيرة أو العقيدات الزجاجية. تزداد مخاطر الخباثة مع زيادة حجم العقيدة، حيث تصل معدلات الخباثة إلى 1% للعقيدات التي تقل عن 5 مم وحتى 80% لتلك التي تزيد عن 20 مم. تسمح التطورات في تكنولوجيا الأشعة المقطعية بتحسين توصيف العقيدات، مما يساعد في التمييز بين الآفات الحميدة والخبيثة.
لقد عززت التطورات الأخيرة في الذكاء الاصطناعي (AI) والتعلم العميق، خاصةً من خلال الشبكات العصبية التلافيفية (CNNs)، أنظمة التشخيص المدعومة بالحاسوب (CAD) لاكتشاف وتصنيف العقيدات الرئوية. أظهرت هذه الأنظمة أداءً محسنًا مقارنةً بالطرق التقليدية، حيث أظهرت الدراسات فعالية الهياكل الهجينة وتقنيات زيادة البيانات لتقليل الإيجابيات الخاطئة وتعزيز القابلية للتفسير. على الرغم من هذه التقدمات، لا تزال هناك تحديات، بما في ذلك الكشف الدقيق عن العقيدات الصغيرة والحاجة إلى نماذج تعمم بشكل جيد عبر بروتوكولات التصوير المختلفة. تهدف الدراسة الحالية إلى تطوير نظام تلقائي لاكتشاف وتصنيف العقيدات الرئوية باستخدام مجموعة بيانات اتحاد قاعدة بيانات صور الرئة ومبادرة موارد قاعدة البيانات (LIDC-IDRI). يتضمن هذا الإطار معالجة متقدمة للصور وتصنيف قائم على CNN تم تحسينه بتقنيات زيادة البيانات لتحسين الخصوصية وتوفير مخرجات قابلة للتفسير، مما يدعم أطباء الأشعة في فحص سرطان الرئة المبكر. سيتم تقييم أداء النظام بشكل كمي مقابل الأساليب الحالية لـ CAD لتحديد أهميته السريرية.
طرق البحث
تحدد قسم “طرق البحث” المواد والإجراءات المستخدمة في البحث. يوضح الإعداد التجريبي المحدد، بما في ذلك اختيار المواد والمعدات وأي بروتوكولات ذات صلة تم اتباعها خلال الدراسة. تم تصميم المنهجية لضمان إمكانية إعادة إنتاج النتائج وموثوقيتها، مع تسليط الضوء على التقنيات المستخدمة لجمع البيانات وتحليلها.
بالإضافة إلى ذلك، قد يصف القسم أي طرق إحصائية مستخدمة لتفسير البيانات، بما في ذلك البرامج أو الأدوات المطبقة للتحليل. تعتبر دقة الطرق أمرًا حيويًا للتحقق من صحة النتائج، مما يضمن أن الاستنتاجات المستخلصة تستند إلى ممارسات تجريبية سليمة. بشكل عام، يعمل هذا القسم كأساس لفهم كيفية إجراء البحث والأساس للنتائج والمناقشات اللاحقة.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج بشكل منهجي، مع تسليط الضوء على نقاط البيانات والاتجاهات المهمة التي لوحظت خلال الدراسة. غالبًا ما تكون النتائج مصحوبة بتحليلات إحصائية ذات صلة، والتي قد تشمل قيم p، فترات الثقة، أو أحجام التأثير، لدعم النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح العلاقات بين المتغيرات أو تأثير التدخلات. تساعد هذه المساعدات البصرية في تعزيز وضوح النتائج وتسهيل فهم الأنماط الأساسية بشكل أفضل. بشكل عام، تسهم النتائج في السياق الأوسع لسؤال البحث، مما يوفر رؤى قد تفيد الدراسات المستقبلية أو التطبيقات العملية في هذا المجال.
مناقشة
في هذه الدراسة، تم تطوير نموذج قائم على التعلم العميق لاكتشاف وتصنيف العقيدات الرئوية تلقائيًا باستخدام مجموعة بيانات LIDC-IDRI، التي تتكون من 1,018 صورة أشعة مقطعية صدرية مع تعليقات مفصلة. حقق النموذج مقاييس أداء مثيرة للإعجاب: دقة بنسبة 97.30%، خصوصية بنسبة 99.12%، حساسية بنسبة 98.19%، دقة بنسبة 99.13%، درجة F1 بنسبة 98.21%، ومعامل ارتباط ماثيو (MCC) قدره 0.96. تشير هذه النتائج إلى قدرة النموذج القوية على التمييز بين العقيدات الحميدة والخبيثة، مما يدعم أطباء الأشعة في الكشف المبكر عن سرطان الرئة. تؤكد الدراسة على أهمية استخدام مجموعة بيانات متنوعة لتعزيز تعميم النموذج وقابليته للتطبيق السريري، خاصةً في معالجة التحديات المرتبطة بالعقيدات الصغيرة أو غير المنتظمة.
شملت المنهجية معالجة شاملة للصور، وتقسيم الرئة، واكتشاف المرشحين، تلاها خط أنابيب تصنيف باستخدام الشبكة العصبية التلافيفية (CNN). تم تصميم بنية النموذج لتحسين استخراج الميزات مع الحفاظ على الكفاءة الحسابية، مما يجعلها مناسبة لتدفقات العمل السريرية في العالم الحقيقي. بالإضافة إلى ذلك، عزز دمج تقنيات الذكاء الاصطناعي القابل للتفسير (XAI)، مثل Grad-CAM وتحليل حساسية الإغلاق، قابلية تفسير تنبؤات النموذج، مؤكدًا أن عملية اتخاذ القرار تتماشى مع الميزات ذات الصلة سريريًا. أظهرت التحليلات المقارنة مع الأساليب الحالية أن النموذج المقترح تفوق على الآخرين من حيث الحساسية والموثوقية، مما يبرز إمكانيته كأداة قيمة للكشف المدعوم بالحاسوب (CAD) في فحص سرطان الرئة.
القيود
ت stem القيود في هذه الدراسة بشكل أساسي من اعتمادها على مجموعة بيانات عامة واحدة، LIDC-IDRI، مما قد يعيق تعميم النتائج عبر أجهزة التصوير المختلفة وسكان المرضى. بالإضافة إلى ذلك، قد يؤثر عدم التوازن بين الحالات الحميدة والخبيثة سلبًا على دقة التصنيف. يحد غياب التحقق الخارجي باستخدام بيانات سريرية مستقلة والتركيز الحصري على الميزات المستندة إلى الصور، دون النظر في المتغيرات السريرية، من قوة النتائج.
ستهدف الأبحاث المستقبلية إلى معالجة هذه القيود من خلال التحقق من صحة النموذج على مجموعات بيانات خارجية مثل ELCAP وNELSON، وبالتالي تقييم قابليته للتطبيق عبر بروتوكولات تصوير متنوعة. ستستكشف الدراسة أيضًا التصنيف متعدد الفئات للعقيدات الرئوية، وتدمج تقنيات الذكاء الاصطناعي المتقدمة مثل آليات الانتباه والشبكات التلافيفية ثلاثية الأبعاد، وتقيّم تأثير حجم العقيدة وشكلها على أداء التصنيف. علاوة على ذلك، ستفحص التباين في معلمات اكتساب الأشعة المقطعية وموضوعية تعليقات أطباء الأشعة، والتي قد تُدخل تحيزًا. سيتم أيضًا السعي لدمج طرق الذكاء الاصطناعي القابل للتفسير (XAI)، مثل خرائط تنشيط الميزات، لتعزيز القابلية للتفسير ودعم اتخاذ القرار السريري، مع السعي في النهاية لتحسين موثوقية وأهمية النظام المقترح في السياقات السريرية.
DOI: https://doi.org/10.14218/erhm.2025.00032
Publication Date: 2026-01-15
Author(s): Lotfi Salhi et al.
Primary Topic: AI in cancer detection
Overview
The research paper presents a study aimed at developing an automatic method for lung nodule detection and classification using a convolutional neural network (CNN) architecture applied to computed tomography (CT) images from the LIDC-IDRI database. Lung cancer, being the leading cause of cancer-related mortality, necessitates early detection of pulmonary nodules for effective treatment. The study addresses the limitations of conventional computer-aided detection systems, which often suffer from high false-positive rates and low sensitivity. The proposed method involves a five-step process: image preprocessing, lung parenchyma segmentation, nodule candidate detection, feature extraction, and classification via a CNN model. The architecture includes two convolutional layers, ReLU activation, max-pooling layers, and a Softmax output layer, trained using Stochastic Gradient Descent with Momentum.
The results indicate that the CNN model achieved impressive performance metrics: sensitivity of 98.7%, specificity of 97.5%, precision of 97.9%, and accuracy of 98.4%. Additionally, the model demonstrated strong classification capabilities for nodule subtypes, outperforming or matching existing methods while maintaining lower computational complexity. Despite the promising results, the study acknowledges limitations such as reliance on a single database and a relatively small training set. Future work aims to validate the model across diverse datasets and explore multi-class classification, enhancing its applicability in clinical settings. Overall, the proposed CNN-based system represents a significant advancement in automated lung nodule analysis, offering a reliable tool for radiologists in the early detection of lung cancer.
Introduction
Lung cancer is the leading cause of cancer-related deaths globally, with approximately 2.48 million new cases diagnosed annually, representing 12.4% of all cancer cases and resulting in over 1.8 million deaths. Early detection of pulmonary nodules, which can indicate early-stage lung cancer, is crucial for improving patient outcomes. However, the manual interpretation of CT scans is often challenging and subject to variability, particularly for small or ground-glass nodules. The risk of malignancy increases with nodule size, with malignancy rates of 1% for nodules less than 5 mm and up to 80% for those greater than 20 mm. Advances in CT technology allow for better characterization of nodules, aiding in the differentiation between benign and malignant lesions.
Recent developments in artificial intelligence (AI) and deep learning, particularly through convolutional neural networks (CNNs), have enhanced computer-aided diagnosis (CAD) systems for detecting and classifying pulmonary nodules. These systems have shown improved performance over traditional methods, with studies demonstrating the effectiveness of hybrid architectures and data augmentation techniques to reduce false positives and enhance interpretability. Despite these advancements, challenges remain, including the accurate detection of small nodules and the need for models that generalize well across different imaging protocols. The present study aims to develop an automated system for detecting and classifying pulmonary nodules using the Lung Image Database Consortium and Image Database Resource Initiative (LIDC-IDRI) dataset. This framework incorporates advanced image preprocessing and CNN-based classification optimized with data augmentation techniques to improve specificity and provide interpretable outputs, thereby supporting radiologists in early lung cancer screening. The system’s performance will be quantitatively evaluated against existing CAD approaches to establish its clinical relevance.
Methods
The “Methods” section outlines the materials and procedures utilized in the research. It details the specific experimental setup, including the selection of materials, equipment, and any relevant protocols followed during the study. The methodology is designed to ensure reproducibility and reliability of the results, highlighting the techniques employed for data collection and analysis.
Additionally, the section may describe any statistical methods used to interpret the data, including the software or tools applied for analysis. The rigor of the methods is crucial for validating the findings, ensuring that the conclusions drawn are based on sound experimental practices. Overall, this section serves as a foundation for understanding how the research was conducted and the basis for the subsequent results and discussions.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It systematically outlines the outcomes, highlighting significant data points and trends observed during the study. The results are often accompanied by relevant statistical analyses, which may include p-values, confidence intervals, or effect sizes, to substantiate the findings.
Additionally, the section may include visual representations such as graphs or tables that illustrate the relationships between variables or the impact of interventions. These visual aids serve to enhance the clarity of the results and facilitate a better understanding of the underlying patterns. Overall, the findings contribute to the broader context of the research question, offering insights that may inform future studies or practical applications in the field.
Discussion
In this study, a deep learning-based model was developed for the automatic detection and classification of pulmonary nodules using the LIDC-IDRI dataset, which comprises 1,018 thoracic CT scans with detailed annotations. The model achieved impressive performance metrics: an accuracy of 97.30%, specificity of 99.12%, sensitivity of 98.19%, precision of 99.13%, an F1 score of 98.21%, and a Matthews correlation coefficient (MCC) of 0.96. These results indicate the model’s robust capability to differentiate between benign and malignant nodules, thereby supporting radiologists in early lung cancer detection. The study emphasizes the importance of using a diverse dataset to enhance the model’s generalization and clinical applicability, particularly in addressing challenges associated with small or irregular nodules.
The methodology included comprehensive image preprocessing, lung segmentation, and candidate detection, followed by a convolutional neural network (CNN) classification pipeline. The model’s architecture was designed to optimize feature extraction while maintaining computational efficiency, making it suitable for real-world clinical workflows. Additionally, the integration of explainable AI (XAI) techniques, such as Grad-CAM and occlusion sensitivity analysis, enhanced the interpretability of the model’s predictions, confirming that the decision-making process aligns with clinically relevant features. Comparative analysis with existing approaches demonstrated that the proposed model outperformed others in terms of sensitivity and reliability, underscoring its potential as a valuable computer-aided detection (CAD) tool in lung cancer screening.
Limitations
The limitations of this study primarily stem from its reliance on a single public dataset, LIDC-IDRI, which may hinder the generalizability of the findings across various scanners and patient populations. Additionally, the imbalance between benign and malignant cases could adversely affect classification accuracy. The absence of external validation using independent clinical data and the exclusive focus on image-based features, without considering clinical variables, further restricts the robustness of the results.
Future research will aim to address these limitations by validating the model on external datasets such as ELCAP and NELSON, thereby evaluating its applicability across diverse imaging protocols. The study will also explore multi-class classification of pulmonary nodules, incorporate advanced artificial intelligence techniques like attention mechanisms and 3D convolutional networks, and assess the influence of nodule size and morphology on classification performance. Furthermore, it will examine the variability in CT acquisition parameters and the subjectivity of radiologist annotations, which may introduce bias. The integration of explainable AI (XAI) methods, such as feature activation maps, will also be pursued to enhance interpretability and support clinical decision-making, ultimately aiming to improve the reliability and clinical relevance of the proposed system.