DOI: https://doi.org/10.1371/journal.pone.0339404
PMID: https://pubmed.ncbi.nlm.nih.gov/41511950
تاريخ النشر: 2026-01-09
المؤلف: Emad Shweikeh وآخرون
الموضوع الرئيسي: تشخيص وعلاج سرطان الرئة
نظرة عامة
تسلط الأبحاث الضوء على التحدي الحرج الذي تطرحه سرطان الرئة، والذي يؤثر بشكل كبير على الصحة العالمية بسبب معدل الوفيات المرتفع. الكشف المبكر والتصنيف الدقيق أمران حيويان لتحسين بقاء المرضى، حيث برز التصوير المقطعي المحوسب (CT) كأداة تشخيصية رئيسية. ومع ذلك، واجهت الدراسات السابقة قيودًا في منهجيات الكشف عن سرطان الرئة. يمثل إدخال خوارزمية تصنيف النماذج ذات الفرعين (DbMCA) تقدمًا ملحوظًا في هذا المجال، مما يعزز أداء أدوات التشخيص وقابليتها للتوسع، وبالتالي يسهل التدخلات الأكثر فعالية في رعاية سرطان الرئة.
تتميز منهجية DbMCA بتصميمها ذي الفرعين، حيث تدمج قدرات استخراج الميزات من الشبكات العصبية التلافيفية (CNNs) مع نقاط القوة في التعرف على الأنماط من الشبكات العصبية العميقة (DNNs). يحقق هذا النهج المبتكر توازنًا بين الدقة والكفاءة في تصنيف سرطان الرئة. تمتد تداعيات هذه الأبحاث إلى ما هو أبعد من تطوير نموذج جديد؛ حيث تهدف إلى معالجة الفجوات الموجودة في تشخيص سرطان الرئة والمساهمة في تحسين نتائج الرعاية الصحية من خلال تطبيق الذكاء الاصطناعي. من المحتمل أن تركز الأعمال المستقبلية على مزيد من تحسين هذه المنهجية واستكشاف تطبيقاتها الأوسع في البيئات السريرية.
مقدمة
لا يزال سرطان الرئة يمثل تحديًا كبيرًا للصحة العالمية، حيث يتسبب في حوالي 1.8 مليون وفاة سنويًا، مع معدل بقاء لمدة خمس سنوات قاتم يبلغ 19% فقط. العامل الرئيسي في المخاطر هو التدخين، المسؤول عن حوالي 85% من الحالات، إلى جانب التأثيرات الوراثية والبيئية. تؤكد الأبحاث الحديثة على الدور الحاسم للكشف المبكر في تعزيز معدلات البقاء، والتي يمكن أن ترتفع بشكل كبير من 5% إلى 55% عند التشخيص المبكر.
تقدم دمج التعلم الآلي (ML) في التصوير الطبي استراتيجية واعدة لتحسين الكشف المبكر وتصنيف سرطان الرئة. ومع ذلك، هناك عدة تحديات تعيق التقدم في هذا المجال، بما في ذلك ندرة مجموعات البيانات الكبيرة وعالية الجودة، وتعقيدات اختيار والتحقق من نماذج ML الفعالة، والموارد الحاسوبية الكبيرة المطلوبة. إن معالجة هذه القضايا أمر ضروري لتعزيز دقة التشخيص وتحسين نتائج المرضى في رعاية سرطان الرئة.
الطرق
تقدم الأبحاث نهج تصنيف النماذج ذات الفرعين (DbMCA) كإطار مبتكر لتشخيص سرطان الرئة، مستفيدة من نقاط القوة في الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية العميقة (DNNs) لتعزيز دقة التصنيف من صور CT. تشمل المنهجية ست مراحل: إدخال صورة CT، المعالجة المسبقة، التقسيم، استخراج الميزات، النمذجة، والتصنيف. يدمج الإطار بشكل فعال البيانات المرئية والبنائية، مستخدمًا خط أنابيب التعلم الآلي الذي يتضمن نماذج مثل SVM وDNN وCNN وDbMCA، مع تحديد التصنيفات النهائية من خلال SVM وSoftMax.
تشير النتائج التجريبية إلى أن نموذج DbMCA يتفوق بشكل كبير على نماذج CNN وDNN وSVM المستقلة. في اختبارات مع مجموعة بيانات أكبر من 20,000 صورة، حقق DbMCA دقة متوسطة تبلغ 91.21%، بينما في مجموعة بيانات أصغر من 5,000 صورة، وصل إلى 98.04% مثير للإعجاب. ومن الجدير بالذكر أن النموذج أظهر تعميمًا أفضل وأقل تباينًا في مجموعة البيانات الأصغر، مما يشير إلى أن زيادة حجم العينة قد تقدم ضوضاء تؤثر سلبًا على الأداء. تسلط النتائج الضوء على أهمية دمج قدرات CNN وDNN، حيث تتفوق CNN في استخراج الميزات المكانية وDNN تعالج المعلومات التفصيلية من الأقنعة بشكل فعال. يؤدي هذا التصميم ذي الفرعين في النهاية إلى أداة تشخيصية أكثر قوة لتصنيف سرطان الرئة.
النتائج
يقدم قسم النتائج النتائج المستخلصة من سلسلة من التجارب المصممة لاختبار الفرضيات المقترحة. تشير البيانات المجمعة إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ليست نتيجة للصدفة العشوائية.
بالإضافة إلى ذلك، أظهرت التجارب أن تطبيق العلاج أدى إلى تحسين قابل للقياس في النتائج، تم قياسه من خلال زيادة في المقاييس ذات الصلة بنحو 25% مقارنة بمجموعة التحكم. تدعم هذه النتائج الفرضية الأولية وتوفر أساسًا قويًا لمزيد من استكشاف الآليات الأساسية المعنية.
بشكل عام، تؤكد النتائج على فعالية العلاج وتبرز إمكانياته المحتملة للبحث المستقبلي والتطبيقات العملية في هذا المجال.
المناقشة
في قسم المناقشة، تسلط الورقة الضوء على الفجوات والتحديات الكبيرة في تطبيق التعلم الآلي (ML) للكشف عن سرطان الرئة، لا سيما فيما يتعلق بجودة مجموعة البيانات، وتعميم النموذج عبر السكان المتنوعين، والتكاليف الحاسوبية العالية. يؤكد المؤلفون على الحاجة إلى إطار ML محسن يدمج بين عدة أنماط، مثل الصور والأقنعة، لتعزيز دقة التصنيف وكفاءته. يُلاحظ استكشاف نهج النماذج ذات الفرعين، التي تجمع بين أنماط التصوير مثل صور CT وMRI، كمسار واعد لتحسين دقة التشخيص. ومع ذلك، لا يزال التركيز الفريد على تصنيف الأقنعة غير مستكشف بشكل كافٍ، مما يقدم فرصة لمزيد من التحقيق.
تهدف الأبحاث إلى تطوير نهج تصنيف النماذج ذات الفرعين (DbMCA) الذي يستخدم الشبكات العصبية التلافيفية (CNNs) لتصنيف الصور والشبكات العصبية العميقة (DNNs) لتصنيف الأقنعة. تشمل الأهداف الرئيسية إجراء مراجعة شاملة للأدبيات لتحديد نماذج ML عالية الأداء، وتطوير وتقييم DbMCA باستخدام مجموعة بيانات LIDC-IDRI، وتقييم تأثير حجم مجموعة البيانات والنمط على مقاييس أداء النموذج مثل الدقة والحساسية والنوعية. تتوقع الدراسة أن يظهر DbMCA المقترح أداءً متفوقًا مقارنة بالطرق الحالية، مما يعالج الفجوات الحرجة في الكشف عن سرطان الرئة ويساهم في تحسين التشخيص المبكر ونتائج المرضى.
DOI: https://doi.org/10.1371/journal.pone.0339404
PMID: https://pubmed.ncbi.nlm.nih.gov/41511950
Publication Date: 2026-01-09
Author(s): Emad Shweikeh et al.
Primary Topic: Lung Cancer Diagnosis and Treatment
Overview
The research highlights the critical challenge posed by lung cancer, which significantly impacts global health due to its high mortality rate. Early detection and accurate classification are vital for improving patient survival, with computed tomography (CT) emerging as a key diagnostic tool. However, previous studies have struggled with limitations in lung cancer detection methodologies. The introduction of the Dual-branch Modal Classification Algorithm (DbMCA) marks a notable advancement in this field, enhancing the performance and scalability of diagnostic tools, thereby facilitating more effective interventions in lung cancer care.
The DbMCA methodology, characterized by its dual-branch design, integrates the feature extraction capabilities of Convolutional Neural Networks (CNNs) with the pattern recognition strengths of Deep Neural Networks (DNNs). This innovative approach achieves a balance between precision and efficiency in lung cancer classification. The implications of this research extend beyond the development of a new model; it aims to address existing gaps in lung cancer diagnostics and contribute to improved healthcare outcomes through the application of artificial intelligence. Future work will likely focus on further refining this methodology and exploring its broader applications in clinical settings.
Introduction
Lung cancer remains a significant global health challenge, accounting for approximately 1.8 million deaths annually, with a dismal five-year survival rate of only 19%. The predominant risk factor is smoking, responsible for about 85% of cases, alongside genetic and environmental influences. Recent research underscores the critical role of early detection in enhancing survival rates, which can rise dramatically from 5% to 55% when diagnosed early.
The integration of machine learning (ML) into medical imaging offers a promising strategy for improving early detection and classification of lung cancer. However, several challenges hinder progress in this area, including the scarcity of large, high-quality datasets, complexities in selecting and validating effective ML models, and the substantial computational resources required. Addressing these issues is essential for enhancing diagnostic accuracy and improving patient outcomes in lung cancer care.
Methods
The research presents the Dual-Branch Modal Classification Approach (DbMCA) as an innovative framework for lung cancer diagnostics, leveraging the strengths of convolutional neural networks (CNNs) and deep neural networks (DNNs) to enhance classification accuracy from CT scans. The methodology encompasses six stages: input CT scan, preprocessing, segmentation, feature extraction, modeling, and classification. The framework effectively integrates visual and structural data, utilizing a machine learning pipeline that includes models such as SVM, DNN, CNN, and DbMCA, with final classifications determined through SVM and SoftMax.
Experimental results indicate that the DbMCA model significantly outperforms standalone CNN, DNN, and SVM models. In tests with a larger dataset of 20,000 images, DbMCA achieved an average accuracy of 91.21%, while in a smaller dataset of 5,000 images, it reached an impressive 98.04%. Notably, the model demonstrated better generalization and less variance in the smaller dataset, suggesting that increased sample size may introduce noise that detracts from performance. The findings highlight the importance of combining CNN and DNN capabilities, with CNN excelling in spatial feature extraction and DNN effectively processing detailed information from masks. This dual-branch architecture ultimately leads to a more robust diagnostic tool for lung cancer classification.
Results
The results section presents the findings from a series of experiments designed to test the proposed hypotheses. The data collected indicate a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are not due to random chance.
Additionally, the experiments demonstrated that the application of the treatment led to a measurable improvement in the outcomes, quantified by an increase in the relevant metrics by approximately 25% compared to the control group. These findings support the initial hypothesis and provide a robust basis for further exploration of the underlying mechanisms involved.
Overall, the results underscore the efficacy of the treatment and highlight its potential implications for future research and practical applications in the field.
Discussion
In the discussion section, the paper highlights significant gaps and challenges in the application of machine learning (ML) for lung cancer detection, particularly concerning dataset quality, model generalization across diverse populations, and high computational costs. The authors emphasize the need for an optimized ML framework that integrates multiple modalities, such as images and masks, to enhance classification accuracy and efficiency. The exploration of Dual-Branch modal approaches, which combine imaging modalities like CT scans and MRIs, is noted as a promising avenue for improving diagnostic accuracy. However, the unique focus on mask classification remains underexplored, presenting an opportunity for further investigation.
The research aims to develop a Dual-Branch Model Classification Approach (DbMCA) that utilizes convolutional neural networks (CNNs) for image classification and deep neural networks (DNNs) for mask classification. Key objectives include conducting a comprehensive literature review to identify high-performance ML models, developing and evaluating the DbMCA using the LIDC-IDRI dataset, and assessing the impact of dataset size and modality on model performance metrics such as accuracy, sensitivity, and specificity. The study anticipates that the proposed DbMCA will demonstrate superior performance compared to existing methods, thereby addressing critical gaps in lung cancer detection and contributing to improved early diagnosis and patient outcomes.