DOI: https://doi.org/10.1038/s41598-024-61063-w
PMID: https://pubmed.ncbi.nlm.nih.gov/38734714
تاريخ النشر: 2024-05-11
المؤلف: Sandeep Kumar Mathivanan وآخرون
الموضوع الرئيسي: أبحاث سرطان عنق الرحم وفيروس الورم الحليمي البشري
نظرة عامة
يتناول هذا القسم من ورقة البحث التقدمات الكبيرة في تصنيف سرطان عنق الرحم من خلال دمج منهجيات التعلم العميق (DL) والتعلم الآلي (ML). سرطان عنق الرحم، وهو مصدر قلق صحي كبير للنساء، خاصة في المناطق النامية، يتطلب الكشف المبكر من خلال طرق فحص متنوعة مثل مسحات باب واختبارات فيروس الورم الحليمي البشري. تقدم الدراسة نهجًا جديدًا يستخدم نماذج الشبكات العصبية العميقة المدربة مسبقًا، وبالتحديد ResNet152، التي حققت دقة مثيرة للإعجاب بلغت 98.08% عند ضبطها على مجموعة بيانات SIPaKMeD. تعزز إمكانية الوصول العامة لهذه المجموعة من البيانات الشفافية وقابلية إعادة إنتاج النتائج.
تسلط الورقة الضوء على التحديات التي تواجه تشخيص سرطان عنق الرحم التقليدي، الذي يعتمد بشكل كبير على التقييمات الذاتية للأطباء الشرعيين. من خلال استخدام DL لاستخراج الميزات المعقدة من صور مسحات باب، توضح الدراسة كيف يمكن لهذه التكنولوجيا تبسيط عملية التشخيص. تشير النتائج إلى أن منهجية DL-ML الهجينة لا تحسن فقط دقة التصنيف ولكنها تحمل أيضًا إمكانات تحويلية للتشخيص الطبي، مما يمهد الطريق لتدخلات أكثر كفاءة وفي الوقت المناسب في الكشف عن سرطان عنق الرحم. تؤكد النتائج على المستقبل الواعد لدمج الأتمتة الذكية في الرعاية الصحية، بهدف تحسين نتائج المرضى في النهاية.
الطرق
في هذه الدراسة، يقترح المؤلفون نظامًا هجينًا لتصنيف سرطان عنق الرحم باستخدام مجموعة بيانات SIPaKMeD، التي تتكون من صور مسحات باب مصنفة إلى فئات طبيعية وغير طبيعية. يتم تقسيم مجموعة البيانات إلى 60% للتدريب و40% للاختبار. يتم إجراء استخراج الميزات باستخدام هياكل الشبكات العصبية التلافيفية (CNN) المعروفة، بما في ذلك ResNet-101 وResNet-152 وInceptionV3 وAlexNet، والتي يتم استخدام قيم تنشيط الطبقة النهائية منها. يتم استخدام تقنيات التعلم الآلي المختلفة، مثل الانحدار اللوجستي البسيط، وشجرة القرار، والغابة العشوائية، ونايف بايز، وتحليل المكونات الرئيسية (PCA)، لتصنيف الميزات المستخرجة، مما يعزز قدرة النموذج على معالجة تعقيدات تصنيف سرطان عنق الرحم.
تشير النتائج إلى أن نموذج ResNet-152 يتفوق في استخراج الميزات، محققًا أعلى دقة اختبار تبلغ 99.08%. من بين مصنفي التعلم الآلي، يظهر نموذج الانحدار اللوجستي البسيط أداءً متفوقًا، خاصة على مجموعة بيانات الاختبار، بدقة تبلغ 95.81%. كما يظهر مصنف الغابة العشوائية نتائج قوية، محققًا أعلى دقة (98.98%)، ودقة (99.64%)، واسترجاع (99.42%) على مجموعة بيانات التدريب. تسلط النتائج الضوء على فعالية دمج التعلم العميق لاستخراج الميزات مع تقنيات التعلم الآلي المختلفة، مما يؤدي في النهاية إلى تحسين دقة التصنيف للكشف عن سرطان عنق الرحم. يتم تقديم مقارنة شاملة للنماذج ومقاييس أدائها في الجداول والأشكال المرفقة، مما يبرز فعالية الطريقة المقترحة مقارنة بالنماذج الحديثة.
المناقشة
في هذا القسم من المناقشة، يقدم المؤلفون تقدمهم في الكشف عن سرطان عنق الرحم من خلال تطوير هيكلين من الشبكات العصبية التلافيفية (CNN): VGG19 (تعلم نقل) وشبكة تجميع تنظير المهبل (CYENET). حقق نموذج VGG19 دقة تصنيف بلغت 73.3%، بينما أظهر CYENET أداءً متفوقًا مع قيم حساسية وخصوصية وكابا بلغت 92.4% و96.2% و88%، على التوالي. كما يبرز المؤلفون أهمية مجموعة بياناتهم، التي تتكون من 4005 صورة تنظير مهبل و915 صورة علم الأمراض النسيجي، والتنفيذ الناجح لنموذج MobileNetv2-YOLOv3 المبسط الذي حقق دقة متوسطة (mAP) تبلغ 99.88% في تحديد المناطق ذات الأهمية للتصنيف.
يؤكد المؤلفون على الحاجة إلى تحسين المنهجيات في الكشف عن سرطان عنق الرحم، مشيرين إلى الفجوات الموجودة في أنظمة الفحص الآلي. يقترحون نهجًا هجينًا يدمج تقنيات التعلم العميق والتعلم الآلي، باستخدام نماذج مدربة مسبقًا مثل ResNet101 وResNet152 لاستخراج الميزات. تشير نتائجهم إلى أن ResNet152 حقق أعلى دقة بلغت 98.08% باستخدام مصنفي الانحدار اللوجستي البسيط، مما يبرز إمكانات إطارهم الابتكاري لتحسين الكشف المبكر ونتائج المرضى في تشخيص سرطان عنق الرحم. بشكل عام، تسهم الدراسة في تقديم رؤى قيمة حول تطبيق تقنيات التعلم الآلي المتقدمة في المجال الطبي، خاصة في أتمتة وتعزيز تصنيف سرطان عنق الرحم.
DOI: https://doi.org/10.1038/s41598-024-61063-w
PMID: https://pubmed.ncbi.nlm.nih.gov/38734714
Publication Date: 2024-05-11
Author(s): Sandeep Kumar Mathivanan et al.
Primary Topic: Cervical Cancer and HPV Research
Overview
This research paper section discusses the significant advancements in cervical cancer classification through the integration of Deep Learning (DL) and Machine Learning (ML) methodologies. Cervical cancer, a major health concern for women, particularly in underdeveloped regions, necessitates early detection via various screening methods such as Pap smears and HPV testing. The study introduces a novel approach utilizing pre-trained deep neural network models, specifically ResNet152, which achieved an impressive accuracy of 98.08% when fine-tuned on the SIPaKMeD dataset. This dataset’s public accessibility enhances the transparency and reproducibility of the findings.
The paper highlights the challenges faced in traditional cervical cancer diagnosis, which relies heavily on the subjective assessments of pathologists. By employing DL for intricate feature extraction from Pap smear images, the study demonstrates how this technology can streamline the diagnostic process. The results indicate that the hybrid DL-ML methodology not only improves classification accuracy but also holds transformative potential for medical diagnostics, paving the way for more efficient and timely interventions in cervical cancer detection. The findings underscore the promising future of integrating intelligent automation in healthcare, ultimately aiming to enhance patient outcomes.
Methods
In this study, the authors propose a hybrid system for classifying cervical cancer using the SIPaKMeD dataset, which consists of pap smear images categorized into normal and abnormal classes. The dataset is split into 60% for training and 40% for testing. Feature extraction is performed using well-established convolutional neural network (CNN) architectures, including ResNet-101, ResNet-152, InceptionV3, and AlexNet, from which the final layer activation values are utilized. Various machine learning techniques, such as Simple Logistic, Decision Tree, Random Forest, Naive Bayes, and Principal Component Analysis (PCA), are employed to classify the extracted features, enhancing the model’s capability to address the complexities of cervical cancer classification.
The results indicate that the ResNet-152 model excels in feature extraction, achieving the highest testing accuracy of 99.08%. Among the machine learning classifiers, the Simple Logistic model demonstrates superior performance, particularly on the test dataset, with an accuracy of 95.81%. The Random Forest classifier also shows strong results, achieving the highest accuracy (98.98%), precision (99.64%), and recall (99.42%) on the training dataset. The findings highlight the effectiveness of combining deep learning for feature extraction with various machine learning techniques, ultimately leading to improved classification accuracy for cervical cancer detection. A comprehensive comparison of the models and their performance metrics is presented in the accompanying tables and figures, underscoring the proposed method’s effectiveness relative to state-of-the-art models.
Discussion
In this discussion section, the authors present their advancements in cervical cancer detection through the development of two convolutional neural network (CNN) architectures: VGG19 (transfer learning) and the Colposcopy Ensemble Network (CYENET). The VGG19 model achieved a classification accuracy of 73.3%, while CYENET demonstrated superior performance with sensitivity, specificity, and kappa values of 92.4%, 96.2%, and 88%, respectively. The authors also highlight the significance of their dataset, which comprises 4005 colposcopy images and 915 histopathology images, and the successful implementation of a streamlined MobileNetv2-YOLOv3 model that achieved a mean average accuracy (mAP) of 99.88% in identifying regions of interest for classification.
The authors emphasize the need for enhanced methodologies in cervical cancer detection, noting existing gaps in automated screening systems. They propose a hybrid approach that integrates deep learning and machine learning techniques, utilizing pre-trained models such as ResNet101 and ResNet152 for feature extraction. Their results indicate that ResNet152 achieved the highest accuracy of 98.08% using Simple Logistic classifiers, underscoring the potential of their innovative framework to improve early detection and patient outcomes in cervical cancer diagnosis. Overall, the study contributes valuable insights into the application of advanced machine learning techniques in the medical field, particularly in automating and enhancing cervical cancer classification.