DOI: https://doi.org/10.1038/s41598-025-11861-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40783415
تاريخ النشر: 2025-08-09
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: أمراض الفم وعلاجها
نظرة عامة
في هذه الدراسة، تم تقديم طريقة جديدة لاكتشاف سرطان الفم، مستفيدة من بنية شبكة الأعصاب التلافيفية (CNN) المعدلة مع تحسينات مثل تطبيع الدفعات، وتنظيم التسرب، وتصميم كتلة تلافيفية مخصصة. تستخدم الطريقة مُحسِّن البروتوزوا الاصطناعي المحسن (IAPO)، الذي يقوم بتحسين مُحسِّن البروتوزوا الاصطناعي الأصلي من خلال استراتيجية بحث مبتكرة وضبط معلمات تكيفية، مما يؤدي إلى تحسين شبكة CNN بشكل فعال. تتكون مجموعة البيانات المستخدمة من 1,000 صورة لمريض، والتي تخضع لتقنيات المعالجة المسبقة مثل تحسين التباين، وتقليل الضوضاء، وزيادة البيانات (بما في ذلك التدوير، والانعكاس، والقص) لتطوير نموذج قوي. تظهر النتائج التجريبية أن شبكة CNN المعدلة بواسطة IAPO تحقق دقة تبلغ 92.5%، متجاوزة النماذج السابقة الرائدة مثل ResNet-101 (90.1%) وDenseNet-121 (89.5%).
تسلط الأبحاث الضوء على الحاجة الملحة للكشف المبكر عن سرطان الفم، والذي يؤثر بشكل كبير على فعالية العلاج ومعدلات البقاء على قيد الحياة. على الرغم من التحديات المرتبطة بالتشخيص الدقيق، أظهرت تطبيقات منهجيات التعلم العميق، وخاصة شبكات CNN، وعدًا في تحليل الصور الطبية. تقوم شبكات CNN باستخراج الميزات تلقائيًا من الصور، مما يقلل من الحاجة للتدخل اليدوي ويحسن دقة التشخيص. تؤكد الدراسة على أهمية المعالجة المسبقة، وزيادة البيانات، والتحسين الميتاهوريستي في تعزيز أداء شبكة CNN لاكتشاف سرطان الفم. تشير النتائج إلى أن هذه الطريقة المنقحة قد تؤدي إلى أنظمة كشف مدعومة بالكمبيوتر أكثر دقة وموثوقية، مما يحسن في النهاية نتائج المرضى ويقلل من معدلات الوفيات المرتبطة بسرطان الفم.
مقدمة
تتناول مقدمة ورقة البحث انتشار سرطان الفم والتحديات المرتبطة به، وهو شكل شائع من سرطان الرأس والعنق يمكن أن يظهر على شكل كتل أو قروح مستمرة في تجويف الفم. الكشف المبكر أمر حاسم للعلاج الفعال، ومع ذلك، يبقى العديد من الأفراد غير مدركين لحالتهم حتى تصل إلى مراحل متقدمة، غالبًا بسبب قلة الفحوصات الطبية. تسلط الورقة الضوء على الصعوبات في التمييز بين الأنسجة الخبيثة وغير الخبيثة خلال الفحوصات البصرية الأولية، مما يبرز الحاجة إلى تحسين طرق التشخيص بما يتجاوز الخزعات الغازية.
لمعالجة هذه التحديات، تقترح الدراسة نموذجًا آليًا يستخدم شبكة الأعصاب التلافيفية (CNN) مع مُحسِّن البروتوزوا الاصطناعي المحسن (IAPO). تهدف هذه الطريقة إلى تعزيز استخراج الميزات وتحسين أداء الكشف، مما يحسن من قوة وعمومية أنظمة اكتشاف سرطان الفم. يشير المؤلفون إلى وجود فجوة في الأدبيات الحالية بشأن تطبيق خوارزميات التحسين الميتاهوريستي في هذا السياق، مما يشير إلى أن نموذجهم يمكن أن يساهم بشكل كبير في جهود الكشف عن سرطان الفم على مستوى السكان.
طرق
تتركز المنهجية المقدمة في هذا البحث على إطار عمل جديد لشبكة الأعصاب التلافيفية (CNN) مصمم خصيصًا لتصنيف صور سرطان الفم. تتكون بنية شبكة CNN من أربع طبقات تلافيفية، كل منها تستخدم مرشحات بحجم $4 \times 4$، وتم تكوينها لمعالجة الصور المعززة بحجم دفعة 64، وقنوات لون RGB، وحجم إدخال $256 \times 256$. يتم استخراج الميزات الأساسية من خلال هذه الطبقات التلافيفية، والتي تكملها طبقات تجميع بنفس حجم المرشح لتشخيص خصائص الصورة المختلفة مثل الخطوط، والزوايا، والحواف.
لتحسين تمثيل الميزات، تم دمج طبقة تجميع قصوى، تلخص الجوانب الأكثر أهمية من الصور المدخلة. تنتهي البنية بطبقة كثيفة متصلة بالكامل تتكون من 256 خلية عصبية، والتي ترتبط بطبقة إخراج SoftMax. تحسب هذه الطبقة الإخراج درجات الاحتمالية لكل فئة، مما يؤدي في النهاية إلى تصنيف الصور إلى تسميتين قراريتين: “لا” أو “نعم”، بناءً على وجود السرطان في الصورة المدخلة. تهدف هذه الطريقة المنهجية إلى تحسين دقة اكتشاف سرطان الفم من خلال تقنيات معالجة الصور المتقدمة.
نتائج
تقدم الأبحاث تقنية تشخيصية جديدة لسرطان الفم بشكل ملموس، مستفيدة من الشبكات العصبية التلافيفية التقليدية مع مُحسِّن البروتوزوا الاصطناعي المعزز (Vanilla/IAPO). تهدف هذه الطريقة إلى تعزيز دقة وتصنيف التشخيصات، والتي تعتبر حاسمة لتقييم سلامة الهياكل الخرسانية. لتحسين أداء نموذج Vanilla/IAPO، تم إخضاع بيانات الإدخال من مجموعة بيانات تصوير سرطان الفم (OCI) للمعالجة المسبقة وزيادة البيانات.
تم تنفيذ المنهجية باستخدام MATLAB R2019b، مع إجراء التجارب على جهاز كمبيوتر محمول HP Envy x360 مزود بمعالج AMD Ryzen 9 4900 H وبطاقة رسومات AMD Radeon RX 6700 M. تشير النتائج إلى تحسين كبير في دقة التشخيص، مما يبرز إمكانيات التقنية المقترحة في مجال مراقبة صحة الهياكل.
مناقشة
يقدم النظام المقترح لاكتشاف سرطان الفم العديد من المزايا الكبيرة في الممارسة السريرية. يتيح الكشف المبكر عن الآفات، مما يمكن أن يحسن نتائج العلاج ومعدلات بقاء المرضى. يقلل استخدام تقنيات التصوير غير الغازية، مثل التصوير المقطعي البصري (OCT) والكاميرات داخل الفموية، من الحاجة إلى الخزعات، مما يقلل من انزعاج المرضى. بالإضافة إلى ذلك، يسمح الكشف في الوقت الحقيقي للأطباء باتخاذ قرارات علاج فورية، بينما تعزز خوارزميات التعلم العميق في النظام دقة التشخيص من خلال تقليل الإيجابيات الكاذبة والسلبية الكاذبة. كما أن النظام لديه القدرة على خفض التكاليف المرتبطة باكتشاف وعلاج سرطان الفم، وتوسيع الوصول إلى الرعاية في المناطق المحرومة، وتحسين تجربة المرضى بشكل عام.
تتناول الأبحاث عدة أسئلة رئيسية، بما في ذلك تحسين نموذج شبكة الأعصاب التلافيفية (CNN) باستخدام خوارزمية IAPO الميتاهوريستية لتعزيز الأداء في اكتشاف سرطان الفم. تتكون مجموعة البيانات المستخدمة من 548 صورة مأخوذة من مؤسسات طبية مختلفة، مصنفة إلى صور طبيعية وسرطانية، مع التركيز على الشفاه واللسان. تؤكد الدراسة على أهمية تقنيات المعالجة المسبقة—مثل تغيير الحجم، والتطبيع، وزيادة البيانات—في تحسين جودة الصورة وأداء النموذج. تضمن هذه التقنيات أن تكون الصور موحدة، وتعزز استخراج الميزات، وتخفف من الإفراط في التخصيص، مما يساهم في قدرة النموذج على التعميم بفعالية على بيانات جديدة. تؤكد النتائج على إمكانيات شبكات CNN في التصوير الطبي، وخاصة لتشخيص سرطان الفم، بينما تستكشف أيضًا قابلية تطبيق النموذج المقترح على أنواع أخرى من السرطان.
DOI: https://doi.org/10.1038/s41598-025-11861-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40783415
Publication Date: 2025-08-09
Author(s): Zhenyun Du et al.
Primary Topic: Oral Health Pathology and Treatment
Overview
In this study, a novel method for oral cancer detection is introduced, leveraging a modified Vanilla Convolutional Neural Network (CNN) architecture enhanced with batch normalization, dropout regularization, and a tailored convolutional block design. The method employs an Improved Artificial Protozoa Optimizer (IAPO), which refines the original Artificial Protozoa Optimizer through an innovative search strategy and adaptive parameter tuning, effectively optimizing the CNN. The dataset utilized comprises 1,000 patient images, which undergo preprocessing techniques such as contrast enhancement, noise reduction, and data augmentation (including rotation, flipping, and cropping) to develop a robust model. Experimental results demonstrate that the IAPO-optimized Vanilla CNN achieves an accuracy of 92.5%, surpassing previous state-of-the-art models like ResNet-101 (90.1%) and DenseNet-121 (89.5%).
The research highlights the critical need for early detection of oral cancer, which significantly impacts treatment efficacy and survival rates. Despite the challenges associated with accurate diagnoses, the application of deep learning methodologies, particularly CNNs, has shown promise in medical image analysis. CNNs automatically extract features from images, reducing the need for manual intervention and improving diagnostic precision. The study emphasizes the importance of preprocessing, data augmentation, and metaheuristic optimization in enhancing CNN performance for oral cancer detection. The findings suggest that this refined approach could lead to more accurate and reliable computer-aided detection systems, ultimately improving patient outcomes and reducing mortality rates associated with oral cancer.
Introduction
The introduction of the research paper addresses the prevalence and challenges associated with oral cancer, a common form of head and neck cancer that can manifest as persistent lumps or sores in the oral cavity. Early detection is crucial for effective treatment, yet many individuals remain unaware of their condition until it reaches advanced stages, often due to infrequent medical check-ups. The paper highlights the difficulties in distinguishing between malignant and non-malignant tissues during initial visual inspections, emphasizing the need for improved diagnostic methods beyond invasive biopsies.
To address these challenges, the study proposes an automated model utilizing a Vanilla Convolutional Neural Network (CNN) combined with an Improved Artificial Protozoa Optimizer (IAPO). This approach aims to enhance feature extraction and optimize detection performance, thereby improving the robustness and generalizability of oral cancer detection systems. The authors note a gap in existing literature regarding the application of metaheuristic optimization algorithms in this context, suggesting that their model could significantly advance population-based oral cancer detection efforts.
Methods
The methodology presented in this research focuses on a novel Convolutional Neural Network (CNN) framework specifically designed for the categorization of oral cancer images. The CNN architecture consists of four convolutional layers, each utilizing filters of size $4 \times 4$, and is configured to process augmented images with a batch size of 64, RGB color channels, and an input size of $256 \times 256$. Essential features are extracted through these convolutional layers, which are complemented by pooling layers of the same filter size to diagnose various image characteristics such as lines, corners, and edges.
To enhance the feature representation, a max pooling layer is incorporated, summarizing the most significant aspects of the input images. The architecture culminates in a fully connected dense layer comprising 256 neurons, which is linked to a SoftMax output layer. This output layer computes the probability scores for each class, ultimately categorizing the images into two decision labels: “No” or “Yes,” based on the presence of cancer in the input image. This methodological approach aims to improve the accuracy of oral cancer detection through advanced image processing techniques.
Results
The research presents a novel diagnostic technique for oral cancer in concrete, leveraging Vanilla convolutional neural networks combined with an enhanced artificial protozoa optimizer (Vanilla/IAPO). This approach aims to enhance the accuracy and classification of diagnoses, which are critical for assessing the structural integrity and safety of concrete structures. To optimize the performance of the Vanilla/IAPO model, the input data from the Oral Cancer Imaging (OCI) dataset was subjected to preprocessing and augmentation.
The methodology was implemented using MATLAB R2019b, with experiments conducted on an HP Envy x360 laptop equipped with an AMD Ryzen 9 4900 H processor and an AMD Radeon RX 6700 M graphics card. The results indicate a significant improvement in diagnostic accuracy, underscoring the potential of the proposed technique in the field of structural health monitoring.
Discussion
The proposed system for oral cancer detection offers several significant advantages in clinical practice. It enables early detection of lesions, which can improve treatment outcomes and patient survival rates. The use of non-invasive imaging techniques, such as optical coherence tomography (OCT) and intraoral cameras, reduces the need for biopsies, thereby minimizing patient discomfort. Additionally, real-time detection allows clinicians to make immediate treatment decisions, while the system’s deep learning algorithms enhance diagnostic precision by reducing false positives and negatives. The system also has the potential to lower costs associated with oral cancer detection and treatment, expand access to care in underserved areas, and improve the overall patient experience.
The research addresses several key questions, including the optimization of a convolutional neural network (CNN) model using the IAPO metaheuristic algorithm to enhance performance in oral cancer detection. The dataset utilized comprises 548 images sourced from various medical institutions, categorized into normal and cancerous images, with a focus on the lips and tongue. The study emphasizes the importance of preprocessing techniques—such as resizing, normalization, and augmentation—in improving image quality and model performance. These techniques ensure that images are standardized, enhance feature extraction, and mitigate overfitting, ultimately contributing to the model’s ability to generalize effectively to new data. The findings underscore the potential of CNNs in medical imaging, particularly for oral cancer diagnosis, while also exploring the applicability of the proposed model to other types of cancer.