DOI: https://doi.org/10.1038/s41598-025-86671-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39863687
تاريخ النشر: 2025-01-25
المؤلف: Anas Bilal وآخرون
الموضوع الرئيسي: تعلم الآلة في المعلوماتية الحيوية
نظرة عامة
تقدم البحث نهج هجين جديد، يسمى Q-BGWO-SQSVM، لتصنيف سرطان الثدي الذي يدمج بين مُحسّن الذئب الرمادي الثنائي المستوحى من الكم (Q-BGWO) مع SqueezeNet وآلات الدعم المتجهة (SVM). يعالج هذا الأسلوب قيود أنظمة التشخيص بمساعدة الكمبيوتر الحالية (CAD)، مثل الإفراط في التكيف والاعتماد على مجموعات بيانات موسومة كبيرة، من خلال تعزيز دقة معالجة وتفسير صور الماموجرام. يقوم Q-BGWO بتحسين معلمات SVM بناءً على الميزات المستخرجة من وحدات النار في SqueezeNet، مما يؤدي إلى تحسينات كبيرة في أداء التصنيف.
تظهر التقييمات الشاملة على مجموعات بيانات متعددة، بما في ذلك MIAS وINbreast وDDSM وCBIS-DDSM، فعالية نموذج Q-BGWO-SQSVM. ومن الجدير بالذكر أنه حقق دقة مثيرة للإعجاب بنسبة 99%، وحساسية بنسبة 98%، ونوعية بنسبة 100% على مجموعة بيانات CBIS-DDSM خلال التحقق المتقاطع 15 مرة. تؤكد النتائج على قوة النموذج عبر إعدادات التحقق المختلفة وإمكاناته للتطبيق في العالم الحقيقي في الكشف المبكر عن سرطان الثدي. يدعو البحث إلى مزيد من التحقق على مجموعات بيانات متنوعة والتعاون مع المهنيين الطبيين لترجمة هذه التقدمات إلى أدوات تشخيصية عملية، بهدف تعزيز نتائج الرعاية الصحية في علم الأورام.
الطرق
في هذا القسم، يوضح المؤلفون الطرق التجريبية المستخدمة لتقييم فعالية مُحسّن الذئب الرمادي الثنائي الكمي (Q-GBGWO) في تصنيف أورام الثدي، باستخدام مجموعات بيانات الماموجرام. يقارن البحث Q-GBGWO ضد خوارزميات التحسين التقليدية المستوحاة من الطبيعة، وبشكل خاص مُحسّن الذئب الرمادي الثنائي (BGWO) ومُحسّن الذئب الرمادي (GWO) وتحسين سرب الجسيمات (PSO)، باستخدام دوال مرجعية 17 و96.
تشير النتائج، الملخصة في الجدول 4، إلى أن Q-GBGWO يتفوق باستمرار على الخوارزميات الأخرى عبر اختبارات متعددة، مما يظهر فعالية متفوقة في معظم الدوال التي تم تقييمها. بينما تظهر BGWO وGWO وPSO كفاءة في بعض المهام، يظهر Q-GBGWO أداءً مماثلاً أو محسناً بشكل عام. ستبرز اتجاهات التقارب، الموضحة في الأشكال القادمة مثل الشكل 11، قدرة Q-GBGWO على التكيف وفعاليته خلال عملية التحسين، مما يظهر توازناً جيداً بين الاستكشاف والاستغلال خلال التكرارات.
النتائج
استخدمت نتائج هذه الدراسة طرق تحقق متقاطع (CV) متنوعة، ولا سيما التحقق المتقاطع عشرة مرات، لضمان نتائج مثالية والتحقق الموثوق من نموذج Q-BGWO-SQSVM عبر مجموعات بيانات الصور الطبية المتعددة، بما في ذلك MIAS وINbreast وDDSM وCBIS-DDSM. تضمنت CV عشرة مرات تقسيم مجموعة البيانات إلى عشرة أقسام متساوية، باستخدام تسعة للتدريب وواحد للتحقق، مع تكرار ذلك عبر جميع المجموعات الفرعية. بالإضافة إلى ذلك، تم إجراء تحقق متقاطع خمسة مرات و15 مرة، مع تقديم النتائج في الجدول 4، الذي يوضح التحليل المقارن للنموذج مقابل الدوال المرجعية.
أظهر نموذج Q-BGWO-SQSVM أداءً متفوقًا عبر جميع المقاييس التي تم تقييمها، بما في ذلك الدقة (ACC) والحساسية (SEN) والنوعية (SPC) والدقة ودرجة F1 ومعامل ارتباط ماثيو (MCC). حقق باستمرار أعلى القيم في هذه المقاييس، مما يدل على قوته وموثوقيته في التعامل مع مهام تحليل الصور الطبية المعقدة. يبرز تكيف النموذج مع الفروق الدقيقة الخاصة بمجموعة البيانات إمكاناته لتعزيز دقة التشخيص واتخاذ القرار السريري في الرعاية الصحية. تشير الدراسة إلى أن التحقق الإضافي على مجموعات بيانات مستقلة والتعديل المستمر ضروريان للاستفادة الكاملة من قدرات النموذج في تطبيقات التصوير الطبي في العالم الحقيقي، مما يبرز الدور الحاسم لتقنيات التعلم الآلي المتقدمة في التشخيص الطبي والطب الشخصي.
المناقشة
في قسم المناقشة، يوضح البحث دمج آلات الدعم المتجهة (SVM) مع الحوسبة الكمومية والخوارزميات المستوحاة من الطبيعة، مع التركيز بشكل خاص على مُحسّن الذئب الرمادي الثنائي المحسن كميًا-آلة دعم SqueezeNet (Q-BGWO-SQSVM). تم تصميم إطار عمل SVM لتصنيف البيانات من خلال تحديد مستوى فائق مثالي في فضاء عالي الأبعاد، باستخدام دوال نواة لإدارة الانفصال غير الخطي. يتم التأكيد على أهمية ضبط المعلمات الفائقة، وخاصة للمعلمات مثل $C$ و$\gamma$، حيث تؤثر بشكل مباشر على دقة التصنيف. كما يبرز البحث دور الحوسبة الكمومية، حيث تمكّن الكيوبتات من إجراء حسابات أسرع من خلال التراكب وتسهّل البوابات الكمومية معالجة الحالة، مما يعزز أداء الخوارزمية.
علاوة على ذلك، تستعرض المناقشة التقدمات في الخوارزميات المستوحاة من الطبيعة، وخاصة مُحسّن الذئب الرمادي (GWO)، الذي يحاكي استراتيجيات الصيد للذئاب لتحسين الحلول في فضاءات البحث المعقدة. تم تقديم مُحسّن الذئب الرمادي الثنائي (BGWO) كطريقة لتحسين اختيار الميزات في الكشف عن سرطان الثدي، مما يظهر فعالية الأساليب الهجينة في تحسين دقة التشخيص. يستشهد البحث بعدة دراسات نجحت في تطبيق هذه المنهجيات، محققة معدلات دقة عالية في تصنيف سرطان الثدي، مع الاعتراف أيضًا بحدود التقنيات الحالية، مثل الاعتماد على مجموعات بيانات كبيرة والتحديات في تحسين المعلمات الفائقة. يهدف نموذج Q-BGWO-SQSVM المقترح إلى التغلب على هذه التحديات من خلال الاستفادة من مبادئ الميكانيكا الكمومية لتحسين اختيار الميزات والتصنيف عبر مجموعات بيانات متنوعة، مما يعد بتحسينات كبيرة في التطبيقات السريرية.
DOI: https://doi.org/10.1038/s41598-025-86671-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39863687
Publication Date: 2025-01-25
Author(s): Anas Bilal et al.
Primary Topic: Machine Learning in Bioinformatics
Overview
The research presents a novel hybrid approach, termed Q-BGWO-SQSVM, for breast cancer classification that integrates a quantum-inspired binary Grey Wolf Optimizer (Q-BGWO) with SqueezeNet and Support Vector Machines (SVM). This method addresses limitations of existing computer-aided diagnosis (CAD) systems, such as overfitting and reliance on large annotated datasets, by enhancing the accuracy of mammography image processing and interpretation. The Q-BGWO optimizes SVM parameters based on features extracted by SqueezeNet’s fire modules, leading to significant improvements in classification performance.
Extensive evaluations on multiple datasets, including MIAS, INbreast, DDSM, and CBIS-DDSM, demonstrate the effectiveness of the Q-BGWO-SQSVM model. Notably, it achieved an impressive 99% accuracy, 98% sensitivity, and 100% specificity on the CBIS-DDSM dataset during 15-fold cross-validation. The findings underscore the model’s robustness across various validation settings and its potential for real-world application in early breast cancer detection. The study advocates for further validation on diverse datasets and collaboration with medical professionals to translate these advancements into practical diagnostic tools, ultimately aiming to enhance healthcare outcomes in oncology.
Methods
In this section, the authors detail the experimental methods used to evaluate the effectiveness of the Quantum Grey Binary Grey Wolf Optimizer (Q-GBGWO) in breast tumor categorization, utilizing mammography datasets. The study compares Q-GBGWO against traditional bio-inspired optimization algorithms, specifically the Binary Grey Wolf Optimizer (BGWO), Grey Wolf Optimizer (GWO), and Particle Swarm Optimization (PSO), using benchmark functions 17 and 96.
The results, summarized in Table 4, indicate that Q-GBGWO consistently outperforms the other algorithms across multiple tests, demonstrating superior efficacy in most assessed functions. While BGWO, GWO, and PSO show competence in certain tasks, Q-GBGWO exhibits comparable or enhanced performance overall. The convergence trends, illustrated in forthcoming figures such as Fig. 11, will further highlight Q-GBGWO’s adaptability and effectiveness throughout the optimization process, showcasing a well-maintained balance between exploration and exploitation during iterations.
Results
The results of this study employed various cross-validation (CV) methods, notably tenfold cross-validation, to ensure optimal outcomes and reliable validation of the Q-BGWO-SQSVM model across multiple medical image datasets, including MIAS, INbreast, DDSM, and CBIS-DDSM. The tenfold CV involved partitioning the dataset into ten equal sections, using nine for training and one for validation, repeated across all subsets. Additionally, fivefold and 15-fold cross-validation were conducted, with results presented in Table 4, which details the comparative analysis of the model against benchmark functions.
The Q-BGWO-SQSVM model demonstrated superior performance across all evaluated metrics, including Accuracy (ACC), Sensitivity (SEN), Specificity (SPC), Precision, F1 Score, and Matthews Correlation Coefficient (MCC). It consistently achieved the highest values in these metrics, indicating its robustness and reliability in handling complex medical image analysis tasks. The model’s adaptability to dataset-specific nuances further underscores its potential for enhancing diagnostic accuracy and clinical decision-making in healthcare. The study suggests that further validation on independent datasets and ongoing fine-tuning are essential to fully leverage the model’s capabilities in real-world medical imaging applications, highlighting the critical role of advanced machine learning techniques in medical diagnostics and personalized medicine.
Discussion
In the discussion section, the paper elaborates on the integration of Support Vector Machines (SVM) with quantum computing and nature-inspired algorithms, particularly focusing on the Quantum-Optimized Binary Grey Wolf Optimizer-SqueezeNet Support Vector Machine (Q-BGWO-SQSVM). The SVM framework is designed to classify data by identifying an optimal hyperplane in a high-dimensional space, utilizing kernel functions to manage non-linear separability. The significance of hyperparameter tuning, particularly for parameters such as $C$ and $\gamma$, is emphasized, as it directly impacts classification accuracy. The paper also highlights the role of quantum computing, where qubits enable faster computations through superposition and quantum gates facilitate state manipulation, thus enhancing algorithm performance.
Furthermore, the discussion reviews advancements in nature-inspired algorithms, particularly the Grey Wolf Optimizer (GWO), which mimics the hunting strategies of wolves to optimize solutions in complex search spaces. The Binary Grey Wolf Optimizer (BGWO) is introduced as a method to refine feature selection in breast cancer detection, demonstrating the effectiveness of hybrid approaches in improving diagnostic accuracy. The paper cites various studies that have successfully applied these methodologies, achieving high accuracy rates in breast cancer classification, while also acknowledging the limitations of existing techniques, such as dependency on large datasets and challenges in hyperparameter optimization. The proposed Q-BGWO-SQSVM model aims to overcome these challenges by leveraging quantum mechanics principles for enhanced feature selection and classification across diverse datasets, thereby promising significant improvements in clinical applications.