Automated Detection of Malignant Lesions in the Ovary Using Deep Learning Models and XAI

Deze studie ontwikkelt en evalueert een automatisch detectiesysteem voor kwaadaardige eierstokkanker met behulp van diverse deep learning-modellen en XAI-technieken, waarbij het InceptionV3-model met ReLu de beste prestaties leverde met een gemiddelde nauwkeurigheid van 94%.

De kern

🥚 De Onzichtbare Vijand: Ovariumkanker en de Digitale Hulp

Stel je voor dat je lichaam een grote stad is. Meestal werken de cellen (de inwoners) netjes samen. Maar bij kanker beginnen sommige cellen zich als een oncontroleerbare menigte te gedragen; ze vermenigvuldigen zich zonder toestemming en kunnen andere delen van de stad overnemen. Dit noemen we kanker.

Bij ovariumkanker (eierstokkanker) is het probleem dat deze "onruststokers" zich heel goed verstoppen. In tegenstelling tot borstkanker (waar je een mammogram kunt doen) of baarmoederhalskanker (waar je een uitstrijkje hebt), is er geen simpele, pijnloze test om dit vroeg te vinden. Vaak wordt het pas ontdekt als het al te laat is, net als wanneer je merkt dat er een lek in je dak zit, terwijl het dak al ingestort is.

🕵️‍♂️ De Oplossing: Een Digitaal Detectieteam

De onderzoekers van deze studie (een team van studenten en experts van de BRAC University in Bangladesh) wilden een oplossing vinden. Ze dachten: "Wat als we een computer laten kijken naar microscopische foto's van weefsel, zodat deze de kwaadaardige cellen sneller en beter herkent dan een mens?"

Ze bouwden een digitaal detectieteam dat bestaat uit verschillende soorten "AI-detectives". In de wereld van computers noemen we deze detectives Deep Learning-modellen.

1. Het Trainingskamp (De Dataset)

Om deze detectives slim te maken, hebben ze ze getraind met een enorme verzameling foto's.

• Het probleem: Ze hadden niet genoeg foto's. Het was alsof je een detective wilt trainen, maar je hebt maar 50 foto's van misdaden.
• De oplossing: Ze gebruikten een trucje genaamd Data Augmentation. Stel je voor dat je een foto van een verdachte hebt. Je draait de foto, spiegelt hem, maakt het lichter of donkerder. Plotseling heb je van die ene foto vier verschillende versies gemaakt. Door dit te doen, groeide hun verzameling van 498 foto's naar bijna 2.500 foto's. Het is alsof je één foto van een auto gebruikt om een hele garage vol met verschillende auto's te simuleren voor de training.

2. De Detectives (De Modellen)

Ze testten 15 verschillende soorten AI-modellen. Je kunt deze zien als verschillende soorten detectives met verschillende specialiteiten:

• LeNet: De "oude, eenvoudige detective". Snel, maar niet heel slim voor complexe taken.
• ResNet & VGG: De "zware gewichten". Ze hebben heel veel lagen (diep in de hersenen) en zijn zeer goed in het zien van details, maar ze zijn ook traag en zwaar om te trainen.
• Inception (GoogLeNet): De "meester-detective". Deze kijkt naar een foto op verschillende manieren tegelijk: naar grote vlekken én naar heel kleine details.

3. De Uitslag (Wie wint?)

Na veel testen bleek dat de InceptionV3-detective de beste was.

• Hij had een succescijfer van ongeveer 94%. Dat betekent dat hij in 94 van de 100 gevallen precies wist: "Dit is kanker" of "Dit is gezond".
• De zware VGG-modellen waren ook goed (soms zelfs iets hoger in score), maar ze waren te zwaar en moeilijk te verklaren.

🧠 De "Black Box" Probleem: Waarom is de computer slim?

Hier komt het belangrijkste deel van het verhaal. AI-modellen zijn vaak een Black Box. Je geeft een foto in, en de computer zegt: "Kanker!". Maar waarom? Hij geeft geen uitleg. Voor een arts is dat gevaarlijk; ze willen weten waarom de computer zo denkt voordat ze een patiënt opereren.

Om dit op te lossen, gebruikten de onderzoekers XAI (Explainable Artificial Intelligence).

• De Analogie: Stel je voor dat de AI een detective is die een verdachte aanwijst. XAI is de verklaring die de detective geeft: "Ik denk dat hij de dader is, omdat ik zijn schoenen, zijn jas en zijn gezicht heb herkend."
• Ze gebruikten drie verschillende uitleg-methoden (LIME, SHAP, Integrated Gradients).
• Het resultaat: De computer liet precies zien op welke delen van de foto hij keek. Het bleek dat hij inderdaad naar de juiste plekken in het weefsel keek om de kanker te vinden. Hij "zag" wat de arts ook zou zien.

🏆 Conclusie: Een Nieuwe Hoop

Dit onderzoek toont aan dat we met slimme computers en een beetje creativiteit (zoals het vermenigvuldigen van foto's) een krachtig wapen kunnen bouwen tegen een stille vijand.

• Wat hebben ze gedaan? Ze bouwden een systeem dat foto's van eierstokken analyseert en met 94% zekerheid zegt of er kanker is.
• Waarom is dit belangrijk? Omdat het sneller is dan mensen en omdat we nu ook kunnen zien waarom de computer zo denkt.
• De toekomst: De droom is om dit in de toekomst te gebruiken met niet-invasieve scans (zoals een echo), zodat vrouwen niet meer hoeven te wachten tot het te laat is. Het is een eerste, grote stap naar een wereld waar kanker eerder wordt opgemerkt en beter wordt behandeld.

Kortom: Ze hebben een digitale superheld gecreëerd die helpt om de onzichtbare vijand te verslaan, en die superheld kan zelfs uitleggen waarom hij de juiste keuze maakt.

Technische samenvatting

Titel: Geautomatiseerde Detectie van Maligne Laesies in de Ovarium met Deep Learning-modellen en XAI

1. Probleemstelling

Ovariumkanker staat bekend als een van de dodelijkste vormen van kanker bij vrouwen, voornamelijk omdat deze vaak pas in een laat stadium wordt ontdekt. In tegenstelling tot borstkanker (via mammografie) of baarmoederhalskanker (via de Papanicolaou-test), ontbreekt er een betrouwbare, niet-invasieve screeningmethode voor ovariumkanker. De huidige diagnose vereist vaak invasieve procedures zoals een biopsie, wat tijdrovend is en de patiënt blootstelt aan onnodige risico's. Hoewel Machine Learning (ML) en Deep Learning (DL) succesvol zijn toegepast in andere medische domeinen, blijft de accurate, vroege detectie van ovariumkanker een uitdaging. Bovendien zijn veel bestaande DL-modellen "black boxes", wat betekent dat artsen niet begrijpen waarom een model een bepaalde diagnose stelt, wat de klinische acceptatie belemmert.

2. Methodologie

De auteurs hebben een end-to-end systeem ontwikkeld dat gebruikmaakt van Convolutional Neural Networks (CNN) en Explainable Artificial Intelligence (XAI).

• Dataset:

  • Er is gebruikgemaakt van de dataset "OvarianCancer&SubtypesDatasetHistopathology" van Mendeley.
  • De dataset bevat histopathologische afbeeldingen van vijf klassen: Clear Cell, Endometri, Mucinous, Serous en Non-Cancerous.
  • De oorspronkelijke dataset was klein (498 afbeeldingen, ~100 per klasse).
  • Data Augmentatie: Om overfitting te voorkomen en de dataset te vergroten, zijn technieken zoals rotatie (tot 180°), spiegeling, en aanpassingen in helderheid, contrast, verzadiging en tint toegepast met de Albumentations-bibliotheek. Dit resulteerde in een uitgebreide dataset van 2.490 afbeeldingen.
  • Preprocessing: Afbeeldingen zijn geconverteerd naar tensors (TensorFlow), genormaliseerd (waarden van 0-255 naar 0-1) en opgesplitst in een trainingsset (80%) en een testset (20%).

• Model Architectuur:
  Er zijn 15 varianten van vier populaire CNN-architecturen getest:

  1. LeNet-5: 8 varianten getest (o.a. met verschillende leersnelheden en dropout).
  2. ResNet: Varianten ResNet-34, ResNet-50 en ResNet-101 getest met verschillende invoergroottes (32x32 en 224x224) en geoptimaliseerde hyperparameters.
  3. VGGNet: VGG16 en VGG19 getest met Transfer Learning. De pre-getrainde lagen werden gefixeerd en alleen de volledig verbonden lagen (fully connected layers) werden aangepast met verschillende activatiefuncties (ReLU, Tanh) en leersnelheden.
  4. Inception (GoogLeNet): Varianten InceptionV1 en InceptionV3, gebouwd van scratch (zonder transfer learning), met aanpassingen in de Inception-modules en batch normalisatie.

• Explainable AI (XAI):
  Om het "black box"-probleem op te lossen, zijn drie XAI-technieken toegepast op het geselecteerde beste model:

  • LIME (Local Interpretable Model-agnostic Explanations)
  • Integrated Gradients
  • SHAP (SHapley Additive exPlanations)
    Deze technieken visualiseren welke delen van de histopathologische afbeelding het meest bijdroegen aan de voorspelling.

3. Belangrijkste Resultaten

• Modelprestaties:

  • De VGG19 en VGG16 varianten behaalden de hoogste nauwkeurigheid (respectievelijk 97,19% en 96,99%).
  • Echter, vanwege de complexiteit van Transfer Learning (wat XAI-toepassingen bemoeilijkt), werd gekozen voor een model dat van scratch is gebouwd.
  • De InceptionV3-A variant (met ReLu-activatie en batch normalisatie) werd geselecteerd als het beste compromis. Deze behaalde een gemiddelde score van 94,58% voor nauwkeurigheid, 94,75% voor precisie, 94,58% voor recall en 94,62% voor F1-score.
  • De ROC-curve en AUC-scores voor InceptionV3-A waren uitstekend (bijv. AUC = 1.00 voor de Serous-klasse).

• Vergelijking met eerdere werken:

  • In vergelijking met een eerdere studie (Kasture et al.) die VGG16 gebruikte op dezelfde dataset, presteerde het InceptionV3-A model significant beter op de geaugmenteerde dataset (94,58% vs 84,64%), vooral dankzij de effectieve tensor-conversie en normalisatie.

• XAI Analyse:

  • De toepassing van LIME, SHAP en Integrated Gradients bevestigde dat het model zich richtte op de relevante pathologische kenmerken in de afbeeldingen.
  • De visualisaties toonden een consistente dominantie van positieve features die overeenkwamen met de werkelijke klassen (bijv. Clear Cell of Serous), wat de betrouwbaarheid van de "black box" beslissingen onderstreepte.

4. Kernbijdragen

1. Uitgebreide Benchmarking: Een systematische evaluatie van 15 CNN-varianten (LeNet, ResNet, VGG, Inception) voor de specifieke taak van ovariumkanker-detectie.
2. Data-Strategie: Effectief gebruik van data-augmentatie en normalisatie om een klein histopathologisch dataset (498 afbeeldingen) om te zetten in een robuust trainingsset (2490 afbeeldingen).
3. Integratie van XAI: Het toepassen van drie verschillende XAI-methoden om de beslissingsprocessen van het gekozen model (InceptionV3) transparant te maken voor medische professionals.
4. Modelkeuze: Het inzicht dat hoewel VGG-modellen iets hogere scores behaalden, een model gebouwd van scratch (InceptionV3) beter geschikt is voor interpretatie via XAI, wat cruciaal is voor klinische toepassing.

5. Betekenis en Toekomstperspectief

Dit onderzoek levert een belangrijke bijdrage aan de strijd tegen ovariumkanker door een geautomatiseerd, nauwkeurig en interpreteerbaar detectiesysteem te presenteren. De hoge nauwkeurigheid en de toepassing van XAI kunnen artsen helpen bij het nemen van snellere en betere klinische beslissingen, mogelijk leidend tot een eerdere diagnose.

Toekomstplannen:
De auteurs beogen het systeem verder te optimaliseren en te verschuiven naar het gebruik van niet-invasieve data (zoals echografie of MRI) in plaats van histopathologische afbeeldingen. Dit zou de detectie echt "vroegtijdig" en minder invasief maken, wat de overlevingskansen voor patiënten aanzienlijk kan verbeteren.