DOI: https://doi.org/10.1038/s41598-024-80535-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40890117
تاريخ النشر: 2025-09-01
المؤلف: Sandeep Saharan وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تناقش هذه القسم الإمكانيات التحويلية للذكاء الاصطناعي (AI) في الرعاية الصحية، وخاصة من خلال مخطط جديد يسمى “DXAIB”، الذي يدمج الشبكات العصبية التلافيفية (CNNs) مع نموذج الغابة العشوائية (RF) لاكتشاف سرطان الثدي. بينما أظهر الذكاء الاصطناعي أداءً ملحوظًا في التطبيقات الطبية، فإن عمليات اتخاذ القرار غير الشفافة قد أعاقت الثقة والتبني الواسع. يعالج مخطط DXAIB هذه التحديات من خلال التأكيد على القابلية للتفسير، مستخدمًا نهج SHAP (SHapley Additive exPlanations) لتقديم تفسيرات واضحة للتنبؤات، مما يعزز الشفافية والثقة في التشخيصات المدفوعة بالذكاء الاصطناعي.
تهدف الدراسة إلى تحسين دقة التشخيص مع ضمان أن تكون التنبؤات مفهومة لكل من المرضى الأفراد والمجتمع الأوسع. لقد أظهر مخطط DXAIB أداءً متفوقًا في تشخيص سرطان الثدي، حيث حدد العوامل الرئيسية المتعلقة بتكوين الأورام وسهل إدارة الرعاية الصحية الاستباقية. ومع ذلك، تعترف الأبحاث بوجود قيود في تنوع مجموعة البيانات والحاجة إلى دراسات طولية لتعكس بشكل أفضل سيناريوهات التشخيص في العالم الحقيقي. بشكل عام، تشير النتائج إلى أن دمج تقنيات الذكاء الاصطناعي المتقدمة مع القابلية للتفسير يمكن أن يعزز بشكل كبير الرعاية السريرية وفعالية العلاج، مما يسهم في تحسين نتائج المرضى والصحة العامة.
طرق
تقدم الدراسة بنية شبكة عصبية تلافيفية تتكون من أربع طبقات تلافيفية 1D، وطبقتين من الطبقات القصوى 1D، وثلاث طبقات كثيفة. تستخدم الطبقتان التلافيفيتان الأوليتان 128 فلترًا، بينما تستخدم الطبقات اللاحقة 256 فلترًا، مع حجم قصوى ثابت قدره (2،2) يتم تطبيقه بعد كل زوج من الطبقات التلافيفية. يتم تنشيط الطبقات التلافيفية باستخدام دالة الوحدة الخطية المعدلة (ReLU)، ويتم استخدام حجم نواة قدره (3،3). تم دمج معدل إسقاط قدره 0.20 للتخفيف من الإفراط في التكيف، ويتم تسطيح البيانات قبل دخول الطبقة الكثيفة الأولى.
تتميز الطبقات الكثيفة بأحجام فلاتر قدرها 512، و256، و2، على التوالي، حيث تستخدم الطبقتان الأوليان أيضًا دالة تنشيط ReLU، بينما تستخدم الطبقة الأخيرة تنشيط Softmax. لتحسين النموذج، يتم استخدام مُحسن آدم جنبًا إلى جنب مع دالة خسارة الانتروبيا المتقاطعة الفئوية خلال عملية التجميع. تهدف هذه البنية إلى تعزيز الأداء في المهمة المحددة من خلال الاستفادة الفعالة من تقنيات التعلم العميق.
نتائج
يقدم قسم النتائج في ورقة البحث نتائج مخطط DXAIB المقترح لتشخيص سرطان الثدي. يظهر المخطط مقاييس أداء مثيرة للإعجاب، حيث يحقق دقة قدرها $0.9835$، ودقة قدرها $0.9876$، واسترجاع قدره $0.9874$، ودرجة F1 قدرها $0.9872$. تشير هذه النتائج إلى قوة وفعالية DXAIB في تشخيص سرطان الثدي بدقة. تسلط التحليل المقارن في الجدول 4 الضوء على المزايا الكبيرة في الأداء لنظام DXAIB مقارنة بالطرق التشخيصية المعتمدة، مما يعزز إمكانيته في التطبيقات السريرية.
استخدمت الدراسة بروتوكولات تدريب واختبار صارمة على مدار حوالي 100 دورة، مما يضمن دقة عالية وثبات في النتائج. ومن الجدير بالذكر أنه بينما تفوق مخطط DXAIB على نماذج التعلم الآلي الأخرى عبر مقاييس تقييم مختلفة، سجل أيضًا انخفاضًا في قيم الاسترجاع في حالات السلبية الكاذبة، مما قد يؤدي إلى قلق غير ضروري للمرضى ومقدمي الرعاية الصحية. يعزز استخدام التحقق المتقاطع K-fold من موثوقية النتائج، مما يؤكد أن نظام DXAIB هو أداة موثوقة وفعالة لاكتشاف سرطان الثدي، مما يحسن في النهاية دقة التشخيص ونتائج الرعاية الصحية. ستتناول الأقسام الفرعية اللاحقة جوانب القابلية للتفسير للنموذج، محليًا وعالميًا.
نقاش
في هذا القسم، يناقش المؤلفون الدوافع والمساهمات في أبحاثهم حول اكتشاف سرطان الثدي باستخدام تقنيات التعلم الآلي (ML). يسلطون الضوء على قيود الطرق التشخيصية التقليدية، مثل التصوير الشعاعي للثدي والرنين المغناطيسي، والتي يمكن أن تكون مستهلكة للوقت وأقل دقة للعلاج الشخصي. يقترح المؤلفون نموذج تعلم آلي هجين، يسمى “DXAIB”، الذي يدمج الشبكات العصبية التلافيفية (CNN) لاستخراج الميزات والغابة العشوائية (RF) للتصنيف. يهدف هذا النموذج إلى تعزيز دقة التنبؤ والاسترجاع، مع معالجة الحاجة الملحة لتقليل التنبؤات السلبية الكاذبة التي قد تؤثر سلبًا على نتائج المرضى. تؤكد الدراسة على أهمية القابلية للتفسير في نماذج التعلم الآلي، مستخدمةً SHAP (SHapley Additive exPlanations) لتقديم رؤى حول عملية اتخاذ القرار، مما يعزز الثقة بين ممارسي الرعاية الصحية والمرضى.
تشمل مساهمات البحث تطوير نموذج DXAIB، الذي يظهر أداءً متفوقًا مقارنة بالطرق الحالية الرائدة في اكتشاف سرطان الثدي. يتم هيكلة النموذج بشكل منهجي في ثلاث طبقات: طبقة بيانات للتدريب والاختبار، وطبقة تنبؤ لتصنيف حالة سرطان الثدي، وطبقة قابلية تفسير توضح تنبؤات النموذج. استخدم المؤلفون مجموعة بيانات “سرطان الثدي ويسكونسن (تشخيص)”، مع تطبيق تقنيات المعالجة المسبقة مثل التطبيع وتقنية زيادة العينة الأقلية الاصطناعية (SMOTE) لمعالجة عدم توازن الفئات. لا يعزز دمج SHAP فقط قابلية تفسير تنبؤات النموذج، بل يساعد أيضًا الأطباء في اتخاذ قرارات مستنيرة بناءً على العوامل الأساسية التي تؤثر على النتائج. بشكل عام، تقدم الأبحاث تقدمًا كبيرًا في مجال اكتشاف سرطان الثدي، حيث تجمع بين قدرات التنبؤ القوية وميزات القابلية للتفسير الأساسية.
DOI: https://doi.org/10.1038/s41598-024-80535-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40890117
Publication Date: 2025-09-01
Author(s): Sandeep Saharan et al.
Primary Topic: AI in cancer detection
Overview
The section discusses the transformative potential of Artificial Intelligence (AI) in healthcare, particularly through a novel scheme called “DXAIB,” which integrates Convolutional Neural Networks (CNNs) with a Random Forest (RF) model for breast cancer detection. While AI has shown remarkable performance in medical applications, its opaque decision-making processes have hindered trust and widespread adoption. The DXAIB scheme addresses this challenge by emphasizing interpretability, utilizing the SHAP (SHapley Additive exPlanations) approach to provide clear explanations for predictions, thereby enhancing transparency and confidence in AI-driven diagnostics.
The study aims to improve diagnostic accuracy while ensuring that predictions are understandable for both individual patients and the broader community. The DXAIB scheme has demonstrated superior performance in breast cancer diagnostics, identifying key factors related to tumor formation and facilitating proactive healthcare management. However, the research acknowledges limitations in dataset diversity and the need for longitudinal studies to better reflect real-world diagnostic scenarios. Overall, the findings suggest that integrating advanced AI techniques with interpretability can significantly enhance clinical care and treatment effectiveness, ultimately contributing to better patient outcomes and public health.
Methods
The study presents a convolutional neural network architecture consisting of four 1D convolutional layers, two 1D max-pooling layers, and three dense layers. The initial two convolutional layers utilize 128 filters, while the subsequent layers employ 256 filters, with a consistent max-pooling size of (2,2) applied after each pair of convolutional layers. The convolutional layers are activated using the Rectified Linear Unit (ReLU) function, and a kernel size of (3,3) is utilized. A dropout rate of 0.20 is incorporated to mitigate overfitting, and the data is flattened before entering the first dense layer.
The dense layers feature filter sizes of 512, 256, and 2, respectively, with the first two layers also employing the ReLU activation function, while the final layer utilizes the Softmax activation. For model optimization, the Adam optimizer is employed alongside a categorical cross-entropy loss function during the compilation process. This architecture aims to enhance performance in the specified task by leveraging deep learning techniques effectively.
Results
The results section of the research paper presents the outcomes of the proposed DXAIB scheme for breast cancer diagnosis. The scheme demonstrates impressive performance metrics, achieving an accuracy of $0.9835$, precision of $0.9876$, recall of $0.9874$, and an F1 score of $0.9872$. These results indicate the robustness and effectiveness of DXAIB in accurately diagnosing breast cancer. A comparative analysis in Table 4 highlights the significant performance advantages of the DXAIB system over established diagnostic methods, reinforcing its potential in clinical applications.
The study employed rigorous training and testing protocols over approximately 100 epochs, ensuring high accuracy and consistency in results. Notably, while the DXAIB scheme outperformed other machine learning models across various evaluation metrics, it also recorded a decrease in recall values in false negative cases, which could lead to unnecessary anxiety for patients and healthcare providers. The use of K-fold cross-validation further enhances the reliability of the findings, confirming that the DXAIB system is a dependable and effective tool for breast cancer detection, ultimately improving diagnostic accuracy and healthcare outcomes. Subsequent subsections will address the explainability aspects of the model, both locally and globally.
Discussion
In this section, the authors discuss the motivation and contributions of their research on breast cancer detection using machine learning (ML) techniques. They highlight the limitations of conventional diagnostic methods, such as mammography and MRI, which can be time-consuming and less accurate for personalized therapy. The authors propose a hybrid ML model, termed “DXAIB,” which integrates Convolutional Neural Networks (CNN) for feature extraction and Random Forest (RF) for classification. This model aims to enhance prediction accuracy and recall, addressing the critical need for minimizing false pessimistic predictions that could adversely affect patient outcomes. The study emphasizes the importance of explainability in ML models, employing SHAP (SHapley Additive exPlanations) to provide insights into the decision-making process, thereby fostering trust among healthcare practitioners and patients.
The contributions of the research include the development of the DXAIB model, which demonstrates superior performance compared to existing state-of-the-art methods in breast cancer detection. The model is systematically structured into three layers: a data layer for training and testing, a prediction layer for classifying breast cancer status, and an explainability layer that elucidates the model’s predictions. The authors utilized the “Breast Cancer Wisconsin (Diagnostic)” dataset, applying preprocessing techniques such as normalization and Synthetic Minority Over-sampling Technique (SMOTE) to address class imbalance. The integration of SHAP not only enhances the interpretability of the model’s predictions but also aids clinicians in making informed decisions based on the underlying factors influencing the outcomes. Overall, the research presents a significant advancement in the field of breast cancer detection, combining robust predictive capabilities with essential explainability features.