EfficientNet-B5 Based Breast Tumor Classification from CWT Morlet Scalogram Images of Microwave S-Parameters
Questo articolo propone un metodo di aumento a livello di segnale guidato dall'energia per superare la scarsità di dati nell'imaging del seno a microonde, raggiungendo un'accuratezza del 94,7% nella classificazione di tumori benigni e maligni convertendo le risposte dei parametri S aumentate in scalogrammi Morlet CWT e perfezionando un classificatore EfficientNet-B5.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Il tumore al seno rimane una delle sfide sanitarie più significative per le donne in tutto il mondo, e individuarlo precocemente è spesso la differenza tra la vita e la morte. Per decenni, i medici si sono affidati a strumenti come la mammografia, che utilizza i raggi X, o l'ecografia, che utilizza le onde sonore, per guardare all'interno del seno. Sebbene questi metodi siano efficaci, presentano degli svantaggi: i raggi X comportano lazioni di radiazioni e possono essere scomodi perché il seno deve essere schiacciato, mentre i risultati dell'ecografia possono variare in base alla competenza del tecnico. Negli ultimi anni, gli scienziati hanno rivolto la loro attenzione a un tipo diverso di onda: le microonde. A differenza dei raggi X, le microonde sono una forma di radiazione non ionizzante, il che significa che non comportano gli stessi rischi di danneggiare il DNA, e non richiedono di schiacciare il seno. Questa tecnica funziona perché il tessuto canceroso si comporta diversamente dal tessuto sano quando viene colpito da queste onde; il tumore assorbe e riflette l'energia in un modo unico. Tuttavia, insegnare a un computer a riconoscere queste sottili differenze è stato difficile perché esistono pochissimi esempi reali di segnali a microonde provenienti da tumori mammari da cui imparare.
Un team di ricercatori presso l'Istituto Nazionale di Tecnologia di Silchar, in India, ha sviluppato un nuovo modo per risolvere questa carenza di dati, permettendo di addestrare potenti programmi informatici per distinguere tra tumori al seno innocui e pericolosi utilizzando segnali a microonde. Invece di cercare di trovare più pazienti o costruire apparecchiature più costose, i ricercatori hanno creato un metodo per moltiplicare intelligentemente i dati esistenti. Hanno iniziato misurando come i segnali a microonde rimbalzassero e passassero attraverso un modello di seno umano, noto come "phantom", progettato per imitare le proprietà elettriche del tessuto reale. Questo modello includeva sia tessuto sano che tumori simulati, alcuni benigni e altri maligni. Utilizzando una coppia di piccole antenne, hanno registrato i segnali mentre si muovevano attorno al modello, catturando migliaia di punti dati che rappresentavano l'"impronta digitale" unica della struttura interna del seno.
La sfida era che questi segnali grezzi erano troppo pochi per insegnare efficacemente a un sistema informatico sofisticato. Se i ricercatori avessero semplicemente copiato i dati o avessero apportato modifiche casuali, il computer avrebbe appreso i modelli sbagliati o avrebbe perso i sottili indizi che indicano un tumore. Per risolvere il problema, il team ha ideato una strategia basata sull'energia all'interno dei segnali. Si sono resi conto che non ogni parte di un segnale era ugualmente importante; alcune sezioni contenevano le informazioni più forti sul tumore, mentre altre erano solo rumore di fondo. Hanno suddiviso i segnali in pezzi basandosi su quanta energia conteneva ciascuna parte, piuttosto che tagliarli semplicemente in intervalli temporali uguali. Successivamente, hanno cucito con cura insieme i pezzi più informativi provenienti da segnali dello stesso tipo, mescolando pezzi benigni con altri pezzi benigni, e maligni con maligni. Per garantire che i nuovi segnali non suonassero stridenti o artificiali, hanno levigato le connessioni tra i pezzi. Questo processo ha creato migliaia di nuovi, realistici esempi di addestramento da un piccolo set originale, insegnando efficacemente al computer cosa cercare senza inventare dati falsi.
Una volta ottenuta questa libreria espansa di segnali, i ricercatori li hanno convertiti in immagini che un computer potesse comprendere facilmente. Hanno trasformato i dati grezzi delle onde in mappe visive chiamate scalogrammi, che mostrano come la frequenza e l'intensità del segnale cambino nel tempo, in modo simile a come uno spartito musicale mostra le note che cambiano nel tempo. Queste immagini sono state poi alimentate in un modello di deep learning, un tipo di intelligenza artificiale progettata per riconoscere pattern nelle immagini. I ricercatori hanno testato diversi modelli, ma hanno scoperto che un'architettura specifica, nota come EfficientNet-B5, era la migliore. Questo modello è stato in grado di apprendere i complessi pattern visivi nelle immagini a microonde che distinguevano una crescita benigna da una maligna.
I risultati di questo approccio sono stati impressionanti. Quando testato su dati che non aveva mai visto prima, il sistema ha identificato correttamente il tipo di tumore in quasi il 95 percento dei casi. Questa accuratezza era superiore a quella di altri popolari modelli informatici testati nello stesso studio, ed è stata superiore a diversi studi recenti che utilizzavano diversi metodi di imaging come l'ecografia o le telecamere termiche. I ricercatori hanno anche controllato la stabilità del loro sistema testandolo più volte con diverse suddivisioni dei dati, e i risultati sono rimasti costantemente alti, con una variazione molto limitata. Hanno scoperto che più utilizzavano il loro metodo basato sull'energia per espandere i dati, più il computer diventava bravo a prendere la decisione corretta, fino a un certo punto in cui l'aggiunta di ulteriori dati offriva rendimenti decrescenti.
Questo lavoro suggerisce che l'imaging a microonde, se accoppiato con tecniche intelligenti di gestione dei dati, potrebbe diventare un'alternativa valida, confortevole e sicura per lo screening del tumore al seno. Il metodo non richiede che la paziente sia esposta alle radiazioni e non la sottopone a compressione fisica, rendendolo un'opzione potenzialmente più amichevole per il paziente. Sebbene lo studio sia stato condotto su un modello di seno anziché su pazienti reali, l'alto livello di accuratezza raggiunto in questi esperimenti controllati fornisce una solida base per lo sviluppo futuro. I ricercatori hanno dimostrato che comprendendo la fisica dei segnali e usando tale conoscenza per generare migliori dati di addestramento, è possibile superare i limiti dei piccoli dataset e costruire strumenti affidabili per la diagnosi precoce del cancro.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.