Análisis histopatológico para detectar malignidades de cáncer de pulmón y colon utilizando sistemas híbridos con características fusionadas
Autores: Al-Jabbar, Mohammed; Alshahrani, Mohammed; Senan, Ebrahim Mohammed; Ahmed, Ibrahim Abdulrab
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Análisis histopatológico para detectar malignidades de cáncer de pulmón y colon utilizando sistemas híbridos con características fusionadas
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Pulmón
Cáncer de colon
Diagnóstico
Técnicas de inteligencia artificial
Imágenes histológicas
ANN
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 39
Citaciones: Sin citaciones
El cáncer de pulmón y de colon son de los cánceres más comunes y mortales para la humanidad. En 2020, hubo 4.19 millones de personas diagnosticadas con cáncer de pulmón y de colon, y más de 2.7 millones fallecieron en todo el mundo. Algunas personas desarrollan cáncer de pulmón y de colon simultáneamente debido al tabaquismo que causa cáncer de pulmón, lo que lleva a una dieta anormal, que también causa cáncer de colon. Hay muchas técnicas para diagnosticar el cáncer de pulmón y de colon, siendo la técnica de biopsia y su análisis en laboratorios una de las más destacadas. Debido a la escasez de centros de salud y personal médico, especialmente en países en desarrollo. Además, el diagnóstico manual lleva mucho tiempo y está sujeto a opiniones diferentes de los médicos. Por lo tanto, las técnicas de inteligencia artificial resuelven estos desafíos. En este estudio, se desarrollaron tres estrategias, cada una con dos sistemas para el diagnóstico temprano de imágenes histológicas del conjunto de datos LC25000. Las imágenes histológicas han sido mejoradas, y se ha aumentado el contraste de las áreas afectadas. Los modelos GoogLeNet y VGG-19 de todos los sistemas produjeron características de alta dimensionalidad, por lo que se eliminaron características redundantes e innecesarias para reducir la alta dimensionalidad y retener características esenciales mediante el método PCA. La primera estrategia para diagnosticar las imágenes histológicas del conjunto de datos LC25000 por ANN utiliza características cruciales de los modelos GoogLeNet y VGG-19 por separado. La segunda estrategia utiliza ANN con las características combinadas de GoogLeNet y VGG-19. Un sistema redujo dimensiones y combinó, mientras que el otro combinó características altas y luego redujo las dimensiones altas. La tercera estrategia utiliza ANN con características de fusión de modelos CNN (GoogLeNet y VGG-19) y características hechas a mano. Con las características de fusión de VGG-19 y características hechas a mano, la ANN alcanzó una sensibilidad del 99.85%, una precisión del 100%, una precisión del 99.64%, una especificidad del 100% y un AUC del 99.86%.
Descripción
El cáncer de pulmón y de colon son de los cánceres más comunes y mortales para la humanidad. En 2020, hubo 4.19 millones de personas diagnosticadas con cáncer de pulmón y de colon, y más de 2.7 millones fallecieron en todo el mundo. Algunas personas desarrollan cáncer de pulmón y de colon simultáneamente debido al tabaquismo que causa cáncer de pulmón, lo que lleva a una dieta anormal, que también causa cáncer de colon. Hay muchas técnicas para diagnosticar el cáncer de pulmón y de colon, siendo la técnica de biopsia y su análisis en laboratorios una de las más destacadas. Debido a la escasez de centros de salud y personal médico, especialmente en países en desarrollo. Además, el diagnóstico manual lleva mucho tiempo y está sujeto a opiniones diferentes de los médicos. Por lo tanto, las técnicas de inteligencia artificial resuelven estos desafíos. En este estudio, se desarrollaron tres estrategias, cada una con dos sistemas para el diagnóstico temprano de imágenes histológicas del conjunto de datos LC25000. Las imágenes histológicas han sido mejoradas, y se ha aumentado el contraste de las áreas afectadas. Los modelos GoogLeNet y VGG-19 de todos los sistemas produjeron características de alta dimensionalidad, por lo que se eliminaron características redundantes e innecesarias para reducir la alta dimensionalidad y retener características esenciales mediante el método PCA. La primera estrategia para diagnosticar las imágenes histológicas del conjunto de datos LC25000 por ANN utiliza características cruciales de los modelos GoogLeNet y VGG-19 por separado. La segunda estrategia utiliza ANN con las características combinadas de GoogLeNet y VGG-19. Un sistema redujo dimensiones y combinó, mientras que el otro combinó características altas y luego redujo las dimensiones altas. La tercera estrategia utiliza ANN con características de fusión de modelos CNN (GoogLeNet y VGG-19) y características hechas a mano. Con las características de fusión de VGG-19 y características hechas a mano, la ANN alcanzó una sensibilidad del 99.85%, una precisión del 100%, una precisión del 99.64%, una especificidad del 100% y un AUC del 99.86%.