DOI: https://doi.org/10.1038/s41598-025-87953-1
PMID: https://pubmed.ncbi.nlm.nih.gov/39863704
تاريخ النشر: 2025-01-25
المؤلف: Yue Zhang وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تقدم البحث شبكة عصبية عميقة جديدة، A2SDNet121، مصممة لتعزيز تصنيف خلايا عنق الرحم، مما يساعد في الكشف المبكر عن سرطان عنق الرحم. من خلال استخدام DenseNet121 كعمود فقري لها، تتضمن A2SDNet121 عدة استراتيجيات مبتكرة: دمج وحدة ضغط وتحفيز (SE) لإعطاء الأولوية لمنطقة النواة في الخلايا، تعديلات على حجم نواة الالتفاف وحجم نافذة التجميع في طبقة الساق لتحسين استخراج الميزات المحلية، وبناء كتل كثيفة Atrous (ADB) لالتقاط الميزات البارزة العالمية والمحلية.
تظهر النموذج أداءً استثنائيًا، حيث تحقق دقة تصل إلى 99.75% و99.14% لمهام التصنيف ذات الفئتين والسبع فئات على مجموعة بيانات Herlev، و99.55% و99.75% و99.22% لمهام التصنيف ذات الفئتين والثلاث وخمس فئات على مجموعة بيانات SIPaKMeD، على التوالي. تشير هذه النتائج إلى أن A2SDNet121 تتفوق على الخوارزميات الحالية الرائدة في مهام التصنيف المتعدد لخلايا عنق الرحم، مما يعزز بشكل كبير دقة وكفاءة فحص سرطان عنق الرحم، وبالتالي تحمل وعدًا للتطبيقات السريرية في الكشف المبكر عن السرطان على نطاق واسع.
طرق
في قسم الطرق، يحدد المؤلفون مقاييس التقييم وتصميم التجارب المستخدمة لتقييم أداء نماذج التصنيف الخاصة بهم. يتم استخدام خمسة مقاييس رئيسية: الدقة (Acc)، الدقة الإيجابية (Pre)، الخصوصية (Spe)، الاسترجاع (Rec)، ودرجة F1. يتم تقديم الصيغ لهذه المقاييس، حيث يتم تعريف الإيجابيات الحقيقية (TP)، الإيجابيات الكاذبة (FP)، السلبيات الحقيقية (TN)، والسلبيات الكاذبة (FN). تقيس الدقة الأداء العام للنموذج، بينما تركز الدقة الإيجابية والاسترجاع على تحديد العينات الإيجابية، وتقيّم الخصوصية التعرف على العينات السلبية. تعتبر درجة F1 المتوسط التوافقي للدقة الإيجابية والاسترجاع.
تم إنشاء بيئة التجربة باستخدام Python وإطار PyTorch، مع إجراء جميع التجارب على وحدة معالجة الرسوميات NVIDIA RTX5000. يتم الحفاظ على جدول تدريب متسق عبر جميع النماذج، باستخدام دالة خسارة الانتروبيا المتقاطعة ومحسن SGD لمدة 300 دورة. تم تعيين معدل التعلم الأولي إلى 0.0001، مع معدل تدهور قدره 0.1 وحجم دفعة قدره 8. يتم تعديل معدل التعلم باستخدام استراتيجية StepLR بناءً على الفواصل الزمنية المحددة.
تشير النتائج إلى أن النموذج المقترح A2SDNet121 يتفوق على عدة طرق موجودة في مهام التصنيف. على وجه الخصوص، في المقارنات على مجموعة بيانات Herlev، تحقق A2SDNet121 دقة وخصوصية واسترجاع ودرجة F1 أعلى من النماذج الأخرى، مع تحسين ملحوظ قدره 0.24% في الدقة مقارنة بالنموذج الثاني الأفضل، DSRNet50. وبالمثل، على مجموعة بيانات SIPaKMeD، يظهر A2SDNet121 أداءً متفوقًا عبر معظم المقاييس، مع انخفاض طفيف فقط في الاسترجاع مقارنة بنموذج شي. تؤكد هذه النتائج فعالية A2SDNet121 في مهام التصنيف المتعدد لخلايا عنق الرحم.
نقاش
في مناقشة تصنيف خلايا عنق الرحم باستخدام التعلم العميق، يبرز البحث تطور الشبكات العصبية الالتفافية (CNNs) في هذا المجال، بدءًا من تقديم زانغ وزملائه للشبكات العصبية الالتفافية في عام 2017. تم تقييم نماذج مختلفة، بما في ذلك DenseNet161 وU-Net وغيرها، لأداء تصنيفها على مجموعات بيانات مثل Herlev وSIPaKMeD. من الجدير بالذكر أن DenseNet161 حققت دقة تصنيف ثنائية قدرها 94.38%، بينما حقق نموذج DenseNet الخاص بمحمد تالو دقة مثيرة للإعجاب بلغت 98.96% دون زيادة البيانات. كما يبرز البحث التحديات التي تطرحها البيانات المحدودة المعلّمة في التصوير الطبي، والتي تم التعامل معها من خلال تقنيات مثل التعلم الانتقالي والشبكات التنافسية التوليدية.
يتضمن النموذج المقترح A2SDNet121 عدة تحسينات، بما في ذلك وحدة ضغط وتحفيز (SE) لتحسين انتباه الميزات، وطبقات الالتفاف والتجميع المحسّنة لالتقاط التفاصيل الدقيقة، وكتل كثيفة Atrous لاستخراج الميزات متعددة المقاييس. تظهر دراسات الإزالة أن هذه التعديلات تعزز بشكل كبير دقة التصنيف، حيث تحقق 99.27% على مجموعة بيانات Herlev لتصنيف سبع فئات. يتم التحقق من قدرة النموذج على التركيز على الميزات الحرجة، وخاصة نوى خلايا عنق الرحم، من خلال التحليل البصري باستخدام Grad-CAM، الذي يظهر أن A2SDNet121 يحدد بفعالية المناطق التشخيصية الرئيسية مع تقليل الانتباه إلى المعلومات غير ذات الصلة. بشكل عام، تؤكد النتائج على إمكانيات النموذج للتطبيقات السريرية العملية في تصنيف خلايا عنق الرحم.
DOI: https://doi.org/10.1038/s41598-025-87953-1
PMID: https://pubmed.ncbi.nlm.nih.gov/39863704
Publication Date: 2025-01-25
Author(s): Yue Zhang et al.
Primary Topic: AI in cancer detection
Overview
The research presents a novel deep convolutional neural network, A2SDNet121, designed to enhance the classification of cervical cells, thereby aiding in the early detection of cervical cancer. By utilizing DenseNet121 as its backbone, A2SDNet121 incorporates several innovative strategies: the integration of a Squeeze-and-Excitation (SE) module to prioritize the nucleus region of cells, adjustments to the convolutional kernel and pooling window sizes in the Stem layer for improved local feature extraction, and the construction of Atrous Dense Blocks (ADB) to capture both global and local salient features.
The model demonstrates exceptional performance, achieving accuracies of 99.75% and 99.14% for two and seven-classification tasks on the Herlev dataset, and 99.55%, 99.75%, and 99.22% for two, three, and five-classification tasks on the SIPaKMeD dataset, respectively. These results indicate that A2SDNet121 outperforms existing state-of-the-art algorithms in cervical cell multi-classification tasks, significantly enhancing the accuracy and efficiency of cervical cancer screening, thus holding promise for clinical applications in large-scale pre-cancer detection.
Methods
In the Methods section, the authors outline the evaluation metrics and experimental design used to assess the performance of their classification models. Five key metrics are employed: Accuracy (Acc), Precision (Pre), Specificity (Spe), Recall (Rec), and F1-score. The formulas for these metrics are provided, where True Positive (TP), False Positive (FP), True Negative (TN), and False Negative (FN) are defined. Accuracy measures overall model performance, while Precision and Recall focus on the identification of positive samples, and Specificity assesses the recognition of negative samples. The F1-score serves as the harmonic mean of Precision and Recall.
The experimental environment is established using Python and the PyTorch framework, with all experiments conducted on an NVIDIA RTX5000 GPU. A consistent training schedule is maintained across all models, utilizing a cross-entropy loss function and SGD optimizer for 300 epochs. The initial learning rate is set to 0.0001, with a decay rate of 0.1 and a batch size of 8. The learning rate is adjusted using the StepLR strategy based on the specified epoch intervals.
The results indicate that the proposed A2SDNet121 model outperforms several existing methods in classification tasks. Specifically, in comparisons on the Herlev dataset, A2SDNet121 achieves higher accuracy, specificity, recall, and F1-score than other models, with a notable 0.24% improvement in accuracy over the second-best model, DSRNet50. Similarly, on the SIPaKMeD dataset, A2SDNet121 shows superior performance across most metrics, with only a slight decrease in recall compared to Shi’s model. These findings underscore the effectiveness of A2SDNet121 in cervical cell multi-classification tasks.
Discussion
In the discussion of cervical cell classification using deep learning, the paper highlights the evolution of Convolutional Neural Networks (CNNs) in this domain, beginning with Zhang et al.’s introduction of CNNs in 2017. Various models, including DenseNet161, U-Net, and others, have been evaluated for their classification performance on datasets like Herlev and SIPaKMeD. Notably, DenseNet161 achieved a binary classification accuracy of 94.38%, while Muhammed Talo’s DenseNet model reached an impressive 98.96% accuracy without data augmentation. The paper also emphasizes the challenges posed by limited labeled data in medical imaging, which have been addressed through techniques such as transfer learning and generative adversarial networks.
The proposed A2SDNet121 model incorporates several enhancements, including a Squeeze-and-Excitation (SE) module to improve feature attention, optimized convolution and pooling layers to capture finer details, and Atrous Dense Blocks for multi-scale feature extraction. Ablation studies demonstrate that these modifications significantly boost classification accuracy, achieving 99.27% on the Herlev dataset for seven-class classification. The model’s ability to focus on critical features, particularly the nuclei of cervical cells, is validated through visual analysis using Grad-CAM, which shows that A2SDNet121 effectively identifies key diagnostic regions while minimizing attention to irrelevant information. Overall, the findings underscore the model’s potential for practical clinical applications in cervical cell classification.