Enhancing Breast Cancer Prediction from Histopathological Images using Hybrid CNN-LSTM Architecture

Technische Samenvatting: Verbeteren van Borstkankerpredictie vanuit Histopathologische Beelden met behulp van een Hybride CNN-LSTM Architectuur

Probleemstelling
Borstkanker (BCr) blijft wereldwijd een leidende oorzaak van mortaliteit bij vrouwen, waarbij de diagnose vaak afhankelijk is van de handmatige analyse van histopathologische beelden. Dit handmatige proces is tijdrovend, foutgevoelig en vereist deskundig overleg. Hoewel Deep Learning (DL) en Convolutionele Neurale Netwerken (CNN's) veelbelovend zijn gebleken voor medische beeldanalyse, worstelen standaard CNN-architecturen vaak met het vastleggen van complexe temporele afhankelijkheden en sequentiële kenmerken die inherent zijn aan histopathologische data. Bovendien vormt de schaarste aan grote, gelabelde medische datasets een uitdaging voor het trainen van modellen vanaf nul, wat het gebruik van Transfer Learning (TL) en robuuste optimalisatiestrategieën noodzakelijk maakt om overfitting te voorkomen en generalisatie te waarborgen.

Methodologie
De studie stelt een nieuwe hybride architectuur voor die de ruimtelijke extractiecapaciteiten van CNN's integreert met de sterke punten van Long Short-Term Memory (LSTM) netwerken bij het modelleren van temporele aspecten. De methodologie verloopt via de volgende fasen:

1. Dataset: Het onderzoek maakt gebruik van de publiekelijk beschikbare BreaKHis-dataset, bestaande uit 7.909 histopathologische beelden van 82 patiënten. De data bevat zowel binaire classificatie (Benigne vs. Maligne) als multi-class classificatie (8 specifieke tumorsubtypen) over vier vergrotingniveaus: 40x, 100x, 200x en 400x.
2. Preprocessing: Beelden ondergaan resizing naar vaste dimensies, verscherping om randen te verbeteren, normalisatie (het schalen van pixelwaarden naar 0–1), en conversie van tekstlabels naar numerieke formaten.
3. Data Augmentatie: Om gegevensschaarste aan te pakken, wordt de trainingsset (5.536 afbeeldingen) uitgebreid met 12 verschillende transformatiefuncties (inclusief rotatie, spiegeling en helderheidsaanpassing), wat resulteert in een trainingsdataset van 66.444 afbeeldingen.
4. Feature Extraction (CNN): Vier vooraf getrainde CNN-architecturen—InceptionV3, Xception, ResNet101 en InceptionResNetV2—worden ingezet als feature extractors. Deze modellen maken gebruik van Transfer Learning om hoogwaardige ruimtelijke kenmerken uit de histopathologische beelden te extraheren.
5. Temporele Modellering (LSTM): De door de CNN-lagen geëxtraheerde kenmerken worden gevoed aan een LSTM-netwerk. Het LSTM is ontworpen om sequentiële afhankelijkheden en langetermijnrelaties binnen de data te vangen, waarmee de temporele complexiteiten worden aangepakt die door standaard CNN's vaak worden gemist.
6. Optimalisatie: De hybride modellen worden getraind en geëvalueerd met behulp van drie verschillende optimizers: Adam (Adaptive Moment Estimation), RMSprop en Stochastic Gradient Descent met Momentum (SGDM).
7. Evaluatie: Prestaties worden beoordeeld met standaardmetrieken, waaronder Accuracy, Precision, Recall, Specificiteit, F1-score en de Area Under the Curve (AUC).

Belangrijkste Bijdragen

• Hybride Architectuur: Het artikel introduceert een ResNet101-LSTM hybride model dat robuuste feature extractie combineert met temporele sequentiemodellering, specifiek afgestemd op borstkankerhistopathologie.
• Uitgebreide Vergelijking: De studie voert een uitgebreide vergelijkende analyse uit van vier verschillende CNN-backbones (InceptionV3, Xception, ResNet101, InceptionResNetV2), elk gekoppeld aan LSTM, waarbij de prestaties worden geëvalueerd over binaire en multi-class classificatietaken op alle vier de vergrotingniveaus.
• Optimizer Analyse: Het onderzoek evalueert systematisch de impact van de Adam, RMSprop en SGDM optimizers op de hybride modellen om de meest effectieve configuratie voor deze specifieke medische beeldtaak te identificeren.
• Regressie-gebaseerde Feature Adaptatie: De auteurs stellen een nieuwe benadering voor feature extractie voor met behulp van regressie-gebaseerde kenmerken afgeleid van de geometrische eigenschappen van de beelden, wat de generaliseerbaarheid van het model verbetert.

Resultaten
De experimentele resultaten wijzen uit dat de hybride ResNet101-LSTM architectuur, geoptimaliseerd met de Adam optimizer, consequent beter presteert dan de andere geteste modellen en optimizers.

• Binaire Classificatie: Bij 40x vergroting bereikte het ResNet101-LSTM model met Adam de hoogste prestatiecijfers: 0,988 accuracy, 0,887 precision, 0,867 recall, 0,999 specificiteit en 0,875 F1-score. De prestaties bleven hoog over andere vergrotingen, met 0,969 accuracy bij 40x voor multi-class beelden.
• Multi-class Classificatie: Het model demonstreerde een superieur vermogen om onderscheid te maken tussen de acht specifieke tumorsubtypen. Bij 40x vergroting behaalde het 0,969 accuracy, 0,868 precision, 0,848 recall, 0,979 specificiteit en 0,856 F1-score.
• Optimizer Prestaties: De Adam optimizer leverde consistent betere resultaten dan RMSprop en SGDM over alle architecturen en vergrotingen heen. De studie merkt op dat hoewel SGDM geen significante verbetering liet zien bij de integratie met LSTM, Adam en RMSprop wel profiteerden van de temporele modellering, waarbij Adam de snelste convergentie en beste algehele prestaties vertoonde.
• Impact van Vergroting: Het 40x vergrotingniveau bood de beste algehele classificatieprestaties, wat suggereert dat dit een optimaal evenwicht biedt tussen detail en context voor het voorgestelde model.

Betekenis en Claims
Het artikel claimt dat het voorgestelde hybride ResNet101-LSTM model een levensvatbare en effectieve benadering vormt voor de nauwkeurige classificatie van borstkanker uit histopathologische beelden. Door de integratie van ruimtelijke feature extractie met temporele afhankelijkheidsmodellering succesvol te combineren, adresseert het systeem de beperkingen die worden gevonden in traditionele CNN-only benaderingen. De auteurs stellen dat deze methode de potentie voor vroege identificatie van borstkanker vergroot en de patiëntuitkomsten verbetert door een betrouwbaar, geautomatiseerd diagnostisch instrument te bieden.

De studie concludeert dat de combinatie van ResNet101 voor feature extractie en LSTM voor temporele modellering, geoptimaliseerd via Adam, een nieuwe standaard zet voor nauwkeurigheid en computationele efficiëntie in dit domein. De auteurs suggereren dat dergelijke hoog-nauwkeurige modellen kunnen worden geïntegreerd in klinische beslissingsondersteunende systemen om de werklast van pathologen te verminderen en diagnostische fouten te minimaliseren. Toekomstig werk wordt voorgesteld om de schaalbaarheid van het model op grotere datasets te testen en om de integratie van multi-modale data (bijv. MRI en mammografie) en vision-language modellen te verkennen.