ВИЯВЛЕННЯ ПЛОСКОКЛІТИННОЇ КАРЦИНОМИ ПОРОЖНИНИ РОТА ЗА ДОПОМОГОЮ ПОПЕРЕДНЬО НАВЧЕНИХ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ
DOI:
https://doi.org/10.15407/exp-oncology.2024.02.119Ключові слова:
плоскоклітинний рак порожнини рота, трансферне навчання, попередньо навчені моделі, згорткові нейронні мережі, гістопатологічні зображення, класифікаціяАнотація
Стан питання. Плоскоклітинний рак ротової порожнини (ПКРРП) є 13-м за поширеністю типом злоякісних новоутворень, що став причиною загибелі 364339 осіб у 2020 р. Встановлено існування кореляційного зв'язку між ранньою діагностикою та кращим клінічним прогнозом для цього типу раку. Біопсія тканин, найпоширеніший метод діагностики, який використовують у клініці, є доволі дорогою і трудомісткою. Нещодавнє зростання використання методів трансферного навчання для допомоги в медичній діагностиці, а також покращення 5-річної виживаності при ранній діагностиці слугували мотивацією для цього дослідження. Метою дослідження було оцінити інноваційний підхід з використанням трансферного навчання попередньо навчених моделей класифікації та згорткових нейронних мереж (ЗНМ) для бінарної класифікації ПКРРП на гістопатологічних зображеннях. Матеріали та методи. Набір даних, використаний для експериментів, складався з 5192 гістопатологічних зображень. Для встановлення ознак ПКРРП на патогістологічних зображеннях використовували такі попередньо навчені глибинні моделі: а) ResNet-50, б) VGG16, в) InceptionV3 разом із налаштованими ЗНМ для класифікації. Результати. Встановлено високу чутливість та перспективність запропонованого підходу виявлення ПКРРП у медичній галузі. Всі три моделі були використані в експериментах з різними гіперпараметрами і протестовані на наборі з 126 гістопатологічних зображень. Найефективніша розроблена модель досягла точності 0,90, чутливості 0,97 та AUC 0,94. Візуалізація результатів була виконана за допомогою ROC-кривих та матриць помилок. У роботі також інтерпретовано отримані результати та сформульовано пропозиції щодо подальших досліджень. Висновки. Проведене дослідження успішно продемонструвало потенціал використання методології трансферного навчання в медичній галузі. Інтерпретація результатів свідчить про його практичну життєздатність і пропонує напрямки подальших досліджень, спрямованих на підвищення точності діагностики.
Посилання
World Health Organization. Oral health. Available from: https://www.who.int/news-room/fact-sheets/detail/oral- health. Accessed August 7, 2023.
World Cancer Research Fund. Mouth and oral cancer statistics. Available from: https://www.wcrf.org/cancer-trends/ mouth-and-oral-cancer-statistics/. Accessed August 7, 2023.
Johnson NW, Jayasekara P, Amarasinghe AA. Squamous cell carcinoma and precursor lesions of the oral cavity: epi- demiology and aetiology. Periodontol 2000. 2011;57(1):19-37. https://doi.org/10.1111/j.1600-0757.2011.00401.x
National Cancer Institute. Five-year survival rate. https://www.cancer.gov/publications/dictionaries/cancer-terms/ def/five-year-survival-rate. Accessed August 7, 2023.
Silverman S Jr. Early diagnosis of oral cancer. Cancer. 1988;62(8 Suppl):1796-1799. https://doi.org/10.1002/1097- 0142(19881015)62:1+<1796::aid-cncr2820621319>3.0.co;2-e
Gigliotti J, Madathil S, Makhoul N. Delays in oral cavity cancer. Int J Oral Maxillofac Surg. 2019;48(9):1131-1137. https://doi.org/10.1016/j.ijom.2019.02.015
Yang G, Wei L, Thong BKS, et al. A systematic review of oral biopsies, sample types, and detection techniques applied in relation to oral cancer detection. BioTech. 2022;11(1):5. https://doi.org/10.3390/biotech11010005
Gupta S, Shah JS, Parikh S, et al. Clinical correlative study on early detection of oral cancer and precancerous le- sions by modified oral brush biopsy and cytology followed by histopathology. J Cancer Res Ther. 2014;10(2):232-238. https://doi.org/10.4103/0973-1482.136539
Dabeer S, Khan MM, Islam S. Cancer diagnosis in histopathological image: CNN based approach. Inform Med Un- locked. 2019;16:100231. https://doi.org/10.1016/j.imu.2019.100231
Iqbal MJ, Javed Z, Sadia H, et al. Clinical applications of artificial intelligence and machine learning in cancer diag- nosis: looking into the future. Cancer Cell Int. 2021;21:270. https://doi.org/10.1186/s12935-021-01981-1
Bakare YB, Kumarasamy M. Histopathological image analysis for oral cancer classification by support vector ma- chine. IJASIS. 2021;7(2):1-10. https://doi.org/10.29284/ijasis.7.2.2021.1-10
Alabi RO, Almangush A, Elmusrati M, Mäkitie AA. Deep machine learning for oral cancer: from precise diagnosis to precision medicine. Front Oral Health. 2022;2:794248. https://doi.org/10.3389/froh.2021.794248
Fu Q, Chen Y, Li Z, et al. A deep learning algorithm for detection of oral cavity squamous cell carcinoma from photographic images: A retrospective study. EClinicalMedicine. 2020;27:100516. https://doi.org/10.1016/j. eclinm.2020.100516
Das N, Hussain E, Mahanta LB. Automated classification of cells into multiple classes in epithelial tissue of oral squa- mous cell carcinoma using transfer learning and convolutional neural network. Neural Networks. 2020;128:47-60. https://doi.org/10.1016/j.neunet.2020.04.011.
Palaskar R, Vyas R, Khedekar V, et al. Transfer learning for oral cancer detection using microscopic images. arXiv preprint arXiv:2011.11610,2020. Available from: https://arxiv.org/pdf/2011.11610
Deif MA, Attar H, Amer A, et al. Diagnosis of oral squamous cell carcinoma using deep neural networks and bi- nary particle swarm optimization on histopathological images: an AIoMT approach. Comput Intel Neurosc. 2022;2022:6364102. https://doi.org/10.1155/2022/6364102
Maleki A, Raahemi M, Nasiri H. Breast cancer diagnosis from histopathology images using deep neural network and XGBoost. Biomed Signal Process Control. 2023;86(Part A):105152. https://doi.org/10.1016/j.bspc.2023.105152
Ashenafi Fasil Kebede. Oral Cancer Histopathology Images Dataset. Available from: https://www.kaggle.com/datas- ets/ashenafifasilkebede/dataset. Accessed August 7, 2023.
Google Colaboratory FAQ. https://research.google.com/colaboratory/faq.html. Accessed August 7, 2023.
Welikala RA, Dissanayake DMNK, Housden J. Automated detection and classification of oral lesions using deep learning for early detection of oral cancer. IEEE Access. 2020;8:132677-132693. https://doi.org/10.1109/AC- CESS.2020.3010180
Rahman AU, Alqahtani A, Aldhafferi N, et al. Histopathologic oral cancer prediction using oral squamous cell car- cinoma biopsy empowered with transfer learning. Sensors. 2022;22(10):3833. https://doi.org/10.3390/s22103833
Aubreville M, Knipfer C, Oetter N, et al. Automatic classification of cancerous tissue in laserendomicroscopy images of the oral cavity using deep learning. Sci Rep. 2017;7(1):11979. https://doi.org/10.1038/s41598-017-12320-8
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Експериментальна онкологія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
