LungColonCancerPred-NN: A Neural Network Approach for Lung and Colon Histopathology Prediction
Het artikel introduceert LungColonCancerPred-NN, een compacte triple-branch neurale netwerk die een state-of-the-art nauwkeurigheid van 99,25% bereikt in vijf-klasse long- en colonhistopathologieclassificatie door datalekken in de LC25000-benchmark aan te pakken via een rigoureus augmentatie-familie-gebaseerd evaluatieprotocol.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk jaar worden miljoenen mensen gediagnosticeerd met kanker, en twee van de meest voorkomende en dodelijke vormen treffen de longen en de dikke darm. Wanneer een arts deze ziekten vermoedt, vertrouwt hij op een patholoog om minuscule weefselsneden onder een microscoop te onderzoeken. Deze snedes zijn gekleurd met speciale kleurstoffen die celkernen paars maken en andere delen roze, waardoor een complexe kaart van de microscopische architectuur van het lichaam ontstaat. De taak van de patholoog is om deze kaart te lezen, het onderscheid te maken tussen gezond weefsel en kanker, en vervolgens precies te identificeren wat voor soort kanker het is. Dit is een cruciale taak, omdat de behandeling voor één type longkanker vaak verschilt van een ander, en het verschil tussen een goedaardige groei en een kwaadaardige groei bepaalt of een patiënt een operatie of chemotherapie nodig heeft. Dit proces is echter traag, moeilijk en hangt volledig af van de beschikbaarheid van hoogopgeleide menselijke experts.
Jarenlang hebben wetenschappers geprobeerd computers te leren deze microscopische kaarten te lezen, in de hoop een hulpmiddel te creëren dat artsen kan ondersteunen of zelfs onafhankelijk kan werken. Ze gebruiken grote collecties digitale afbeeldingen om deze computerprogramma's, bekend als neurale netwerken, te trainen om patronen te herkennen. Maar er zit een verborgen val in hoe deze collecties vaak worden samengesteld. Veel van de afbeeldingen die voor training worden gebruikt, zijn geen unieke foto's van verschillende patiënten. In plaats daarvan worden ze gecreëerd door een enkele originele afbeelding digitaal te roteren, te spiegelen of licht te verschuiven om vele nieuwe versies te maken. Als een computerprogramma wordt getest op een afbeelding die slechts een gespiegelde versie is van een afbeelding die het al heeft gezien tijdens de training, kan het het juiste antwoord geven, niet omdat het de ziekte begrijpt, maar simpelweg omdat het de foto herkent. Dit gebrek, bekend als datalekken (data leakage), heeft het moeilijk gemaakt om te weten of deze computerprogramma's werkelijk kanker leren diagnosticeren of dat ze alleen de test uit het hoofd leren.
Een team van onderzoekers aan de Mohammed V Universiteit in Marokko heeft dit probleem nu rechtstreeks aangepakt. Ze hebben een nieuw computersysteem gebouwd genaamd LungColonCancerPred-NN en dit getest met een veel striktere methode dan voorheen is gebruikt. In plaats van de afbeeldingen willekeurig te husselen, hebben ze ze zorgvuldig gegroepeerd op basis van hun oorspronkelijke bron. Ze begonnen met twee grote publieke collecties van weefselafbeeldingen, die in totaal 40.000 bestanden bevatten. Eerst verwijderden ze duizenden exacte duplicaten waar hetzelfde digitale bestand twee keer voorkwam. Vervolgens zochten ze naar de "families" van afbeeldingen die van dezelfde originele patiëntmonster afkomstig waren. Met behulp van een slim systeem dat begrijpt hoe afbeeldingen er hetzelfde uitzien, zelfs wanneer ze geroteerd of gespiegeld zijn, groepeerden ze alle gerelateerde afbeeldingen samen. Ze zorgden er vervolgens voor dat geen enkele groep gerelateerde afbeeldingen werd gesplitst tussen de trainingsset en de testset. Dit betekende dat de computer de ziekte vanaf nul moest leren herkennen, zonder ooit een bijna-kopie van de testafbeeldingen te hebben gezien tijdens zijn training.
Het computersysteem dat ze hebben gebouwd is verrassend compact, met ongeveer 5,8 miljoen instelbare parameters, wat klein genoeg is om op een standaard grafische kaart te draaien. Het werkt door de weefselafbeeldingen tegelijkertijd door drie verschillende "lenzen" te bekijken. Eén lens focust op de algemene textuur en kleur van de cellen, vergelijkbaar met een menselijk oog dat naar algemene patronen scant. Een tweede lens zoekt naar specifieك specifieke vormen en groepen cellen die op elkaar lijken, zelfs als ze ver uit elkaar liggen in de afbeelding, waardoor het verspreide delen van een tumor kan verbinden. De derde lens let op de exacte locatie van elke cel, waarbij het begrijpt hoe het weefsel in de ruimte is georganiseerd. Een speciaal mechanisme weegt vervolgens de informatie van alle drie de lenzen voor elke afbeelding, waarbij wordt bepaald welke weergave het belangrijkst is voordat een definitieve beslissing wordt genomen.
Toen de onderzoekers dit systeem testten op 5.497 afbeeldingen die het nog nooit eerder had gezien, waren de resultaten opmerkelijk nauwkeurig. De computer identificeerde het type weefsel correct in 99,25% van de gevallen. Belangrijker nog: het maakte nooit de meest gevaarlijke fout: het labelde nooit een kankercel als gezond. Het maakte wel enkele fouten, maar die bestonden voornamelijk uit het verwarren van twee specifieke soorten longkanker met elkaar, een uitdaging waar zelfs menselijke pathologen soms voor staan en die aanvullende tests vereist om op te lossen. Het systeem identificeerde ook bijna in elk geval correct uit welk orgaan het weefsel kwam. Wanneer dit nieuwe systeem werd vergeleken met andere recente computerprogramma's die op dezelfde dataset werden getest, presteerde het beter, zelfs terwijl het een moeilijker probleem oploste door vijf verschillende soorten weefsel te onderscheiden in plaats van slechts drie.
Het succes van dit werk ligt niet alleen in de hoge nauwkeurigheid, maar ook in de manier waarop de test is ontworpen. Door ervoor te zorgen dat de testafbeeldingen werkelijk nieuw waren en niet slechts kopieën van de trainingsdata, bewezen de onderzoekers dat hun systeem daadwerkelijk de biologische kenmerken van kanker heeft geleerd te herkennen. Ze ontdekten dat het vertrouwen van de computer in zijn antwoorden goed gekalibreerd was, wat betekent dat de computer wist wanneer hij onzeker was. Deze aanpak biedt een duidelijkere weg voorwaarts voor de ontwikkeling van kunstmatige intelligentie in de geneeskunde, en laat zien dat deze hulpmiddelen, met zorgvuldige tests, verder kunnen gaan dan eenvoudige patroonherkenning om betrouwbare assistenten voor artsen te worden. De onderzoekers zijn van plan hun systeem te testen op een volledig andere set afbeeldingen van een ander ziekenhuis om te zien of het om kan gaan met variaties in de echte wereld, een cruciale stap voordat dergelijke technologie ooit gebruikt kan worden om patiënten te helpen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.