DOI: https://doi.org/10.1038/s41598-025-00930-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40634313
تاريخ النشر: 2025-07-09
المؤلف: M. Pradeepa وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تقدم هذه البحث إطار عمل هجين جديد للتعلم العميق مصمم للتصنيف الدقيق لسرطان الثدي في صور علم الأمراض النسيجية. يدمج النموذج EfficientNetV2 لاستخراج الميزات متعددة المقاييس مع وحدة متكررة مغلقة (GRU) معززة بآلية انتباه لنمذجة الاعتماديات المكانية والميزات التسلسلية بشكل فعال. تم تقييمه على مجموعات بيانات BreakHis و Camelyon17 عند تكبير 200×، حقق الإطار المقترح مقاييس أداء مثيرة للإعجاب، بما في ذلك دقة 98.15%، واسترجاع 95.68%، ودرجة F1 96.82%، وخصوصية 96%، وتقاطع على اتحاد (IoU) 93.99%، ودقة 95.72%. وهذا يدل على تقدم كبير مقارنة بالهياكل الحالية مثل AlexNet و DenseNet، مما يظهر إمكانية النموذج في مساعدة أطباء الأمراض في سير العمل التشخيصي في الوقت الحقيقي.
تساهم الدراسة في مجال تحليل الصور الطبية من خلال إظهار التآزر الفعال بين الهياكل التلافيفية والمتكررة، وخاصة من خلال استخدام آليات الانتباه من أجل التفسير. لا يلتقط الإطار أنماط الأنسجة المحلية والعالمية فحسب، بل يبرز أيضًا أهمية التفسير في الإعدادات السريرية عبر خرائط الأهمية. على الرغم من نقاط قوته، تعترف الدراسة بالقيود مثل نقص تعزيز البيانات واختبار التكبير الثابت، مما يقترح اتجاهات بحث مستقبلية تشمل تعزيز القوة من خلال تعزيز البيانات، والتكيف مع المدخلات متعددة التكبير، ودمج النموذج في خطوط معالجة الصور الكاملة الآلية لتطبيقات سريرية أوسع.
النتائج
تشير نتائج الدراسة إلى أن النموذج المقترح، الذي يستخدم المعلمات الفائقة $\beta_1 = 0.9$، $\beta_2 = 0.999$، و $\epsilon = 1 \times 10^{-8}$، حقق أداءً كبيرًا في تصنيف صور سرطان الثدي النسيجية من مجموعة بيانات BreakHis. تتكون مجموعة البيانات من 7,909 صور من 82 مريضًا، مع التركيز على تكبير 200X للحصول على تفاصيل وسياق مثالي. تم تقييم النموذج على مدى 50 دورة، حيث أظهر دقة تدريب قدرها 0.9658 ودقة اختبار قدرها 0.9572، مع خسائر تدريب واختبار متطابقة قدرها 0.18 و 0.2، على التوالي. تم الإبلاغ عن مقاييس الأداء مثل الدقة، والاسترجاع، ودرجة F1، والخصوصية، وتقاطع على اتحاد (IoU)، حيث حقق النموذج دقة قدرها 0.9815 واسترجاع قدره 0.9568 أثناء الاختبار، مما يبرز فعاليته في تحديد الحالات الخبيثة مع تقليل الإيجابيات الكاذبة.
أظهر التحليل المقارن مع نماذج التعلم العميق الحالية، بما في ذلك AlexNet و DenseNet و MobileNetv3 و EfficientNet، أداءً متفوقًا للنموذج المقترح عبر مقاييس مختلفة. على وجه التحديد، تفوق على هذه النماذج في الدقة، والاسترجاع، ودرجة F1، والدقة، مع تأكيد الأهمية الإحصائية من خلال اختبارات t المزدوجة التي أسفرت عن قيم p أقل من 0.01. أبرزت دراسة الإلغاء أن النسخة EfficientNetV2-L، المدمجة مع بنية GRU-attention، حققت أعلى أداء في التصنيف، مما يعزز قوة النموذج المقترح. بشكل عام، تؤكد النتائج على إمكانية تطبيق النموذج في تشخيص سرطان الثدي، مع التأكيد على دقته العالية وموثوقيته في التمييز بين الحالات الحميدة والخبيثة.
المناقشة
تقدم قسم المناقشة في ورقة البحث مراجعة شاملة للمنهجيات الحديثة في اكتشاف سرطان الثدي، مع التركيز على مختلف أساليب التعلم الآلي (ML) والتعلم العميق (DL). يسلط الضوء على الأداء المقارن لنماذج مثل آلات الدعم الشعاعي (SVM) والغابات العشوائية (RF) وأشجار القرار (DT) ونايف بايز (NB) وجيران الأقرب (KNN)، مشيرًا إلى أنه بينما تحقق SVM غالبًا أعلى دقة، إلا أنها حساسة لجودة مجموعة البيانات وتتطلب ضبطًا دقيقًا. أظهرت النماذج الهجينة التي تجمع بين عدة خوارزميات ML، مثل الانحدار اللوجستي (LR) مع SVM و ANN، دقة اكتشاف محسنة، ومع ذلك تواجه تحديات مثل الإفراط في التكيف وزيادة التعقيد. بالإضافة إلى ذلك، تم استخدام تقنيات التعلم العميق، بما في ذلك الشبكات العصبية التلافيفية (CNNs) وطرق التجميع، لتعزيز استخراج الميزات والتصنيف، لكنها تتطلب أيضًا موارد حسابية كبيرة وقد تواجه صعوبات في التعميم عبر مجموعات بيانات متنوعة.
تحدد هذه القسم الفجوات البحثية الرئيسية، بما في ذلك الاعتماد على مجموعات بيانات صغيرة ومحددة تحد من قابلية تعميم النماذج الحالية، والحاجة إلى تحسين التفسير والنشر في الوقت الحقيقي في الإعدادات السريرية. ويؤكد على أهمية دمج بيانات إضافية، مثل المعلومات الجينية، لتعزيز دقة الاكتشاف والتشخيص. تهدف الأعمال المقترحة إلى معالجة هذه الفجوات من خلال تقديم نموذج جديد يدمج تقنيات المعالجة المسبقة، و EfficientNetV2 لاستخراج الميزات، ووحدة متكررة مغلقة (GRU) مع آلية انتباه للتحليل التسلسلي. يسعى هذا النهج إلى تحسين أداء اكتشاف سرطان الثدي من خلال التقاط العلاقات المكانية المعقدة داخل الصور النسيجية بشكل فعال مع تقليل المتطلبات الحاسوبية وخطر الإفراط في التكيف.
DOI: https://doi.org/10.1038/s41598-025-00930-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40634313
Publication Date: 2025-07-09
Author(s): M. Pradeepa et al.
Primary Topic: AI in cancer detection
Overview
This research presents a novel hybrid deep learning framework designed for the accurate classification of breast cancer in histopathology images. The model integrates EfficientNetV2 for multi-scale feature extraction with a Gated Recurrent Unit (GRU) enhanced by an attention mechanism to effectively model spatial dependencies and sequential features. Evaluated on the BreakHis and Camelyon17 datasets at 200× magnification, the proposed framework achieved impressive performance metrics, including a precision of 98.15%, recall of 95.68%, F1-score of 96.82%, specificity of 96%, Intersection over Union (IoU) of 93.99%, and accuracy of 95.72%. This indicates a significant advancement over existing architectures such as AlexNet and DenseNet, showcasing the model’s potential to assist pathologists in real-time diagnostic workflows.
The study contributes to the field of medical image analysis by demonstrating the effective synergy between convolutional and recurrent architectures, particularly through the use of attention mechanisms for interpretability. The framework not only captures local and global tissue patterns but also emphasizes the importance of interpretability in clinical settings via saliency maps. Despite its strengths, the study acknowledges limitations such as the lack of data augmentation and fixed magnification testing, suggesting future research directions that include enhancing robustness through data augmentation, adapting to multi-magnification inputs, and integrating the model into automated whole-slide image processing pipelines for broader clinical applicability.
Results
The results of the study indicate that the proposed model, utilizing hyperparameters $\beta_1 = 0.9$, $\beta_2 = 0.999$, and $\epsilon = 1 \times 10^{-8}$, achieved significant performance in classifying breast cancer histopathological images from the BreakHis dataset. The dataset comprises 7,909 images from 82 patients, with a focus on 200X magnification for optimal detail and context. The model was evaluated over 50 epochs, showing a training accuracy of 0.9658 and a test accuracy of 0.9572, with corresponding training and test losses of 0.18 and 0.2, respectively. Performance metrics such as precision, recall, F1-score, specificity, and Intersection over Union (IoU) were reported, with the model achieving a precision of 0.9815 and recall of 0.9568 during testing, underscoring its effectiveness in identifying malignant cases while minimizing false positives.
Comparative analysis with existing deep learning models, including AlexNet, DenseNet, MobileNetv3, and EfficientNet, demonstrated the proposed model’s superior performance across various metrics. Specifically, it outperformed these models in precision, recall, F1-score, and accuracy, with statistical significance confirmed through paired t-tests yielding p-values less than 0.01. The ablation study highlighted that the EfficientNetV2-L variant, integrated with the GRU-attention architecture, achieved the highest classification performance, reinforcing the robustness of the proposed model. Overall, the findings validate the model’s potential for clinical application in breast cancer diagnosis, emphasizing its high accuracy and reliability in distinguishing between benign and malignant cases.
Discussion
The discussion section of the research paper provides a comprehensive review of recent methodologies in breast cancer detection, focusing on various machine learning (ML) and deep learning (DL) approaches. It highlights the comparative performance of models such as Support Vector Machines (SVM), Random Forests (RF), Decision Trees (DT), Naive Bayes (NB), and K-Nearest Neighbors (KNN), noting that while SVM often achieves the highest accuracy, it is sensitive to dataset quality and requires careful tuning. Hybrid models combining multiple ML algorithms, such as logistic regression (LR) with SVM and ANN, have shown improved detection accuracy, yet they face challenges like overfitting and increased complexity. Additionally, deep learning techniques, including convolutional neural networks (CNNs) and ensemble methods, have been employed to enhance feature extraction and classification, but they also demand significant computational resources and may struggle with generalization across diverse datasets.
The section identifies key research gaps, including the reliance on small, specific datasets that limit the generalizability of existing models, and the need for improved interpretability and real-time deployment in clinical settings. It emphasizes the importance of integrating additional data modalities, such as genetic information, to enhance detection and prognosis accuracy. The proposed work aims to address these gaps by introducing a novel model that incorporates preprocessing techniques, EfficientNetV2 for feature extraction, and a Gated Recurrent Unit (GRU) with an attention mechanism for sequential analysis. This approach seeks to improve the detection performance of breast cancer by effectively capturing the complex spatial relationships within histopathological images while minimizing computational demands and the risk of overfitting.