SavedAdd your journal

Journals / EMO Bilimsel Dergi / 2024 / Cilt: 14 Sayı: 2

Akciğer Kanseri Tespitinde Dönüşüm ve Evrişim Tabanlı Modeller ile Açıklanabilir Yapay Zeka Uygulaması

Delal Şeker(DİCLE ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)
Mustafa Said Kartal(SİVAS CUMHURİYET ÜNİVERSİTESİ, TIP FAKÜLTESİ)
Abdulnasır Yıldız(DİCLE ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0002-1432-8360
İlkay Öksüz(ISTANBUL TECHNICAL UNIVERSITY, FACULTY OF COMPUTER AND INFORMATICS ENGINEERING, DEPARTMENT OF COMPUTER ENGINEERING)
Pages
59–69
Publication Date
2024-07-30
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

En yüksek başarım oranına ViT mimarisi ile yaklaşılmış olup en ayrıntılı LIME sonuçlarına ise EfficientNet-B1 mimarisi ile ulaşılmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Günümüzde dijital patoloji, tümörlerin teşhisi ve tahminleme konusunda önemli bir rol oynamaktadır.
📊
Key Findings & Data:Mevcut yöntemde Evrişimsel Sinir Ağları (ESA), Vision Transformer (ViT) ve EfficientNet-B1 mimarisi karşılaştırılarak LIME (Local Interpretable Model-agnostic Explanations) açıklanabilirlik metoduyla patoloji görüntüleri üzerinde kanser tespit sistemi önerilmiştir.
💡
Conclusion & Impact:En yüksek başarım oranına ViT mimarisi ile yaklaşılmış olup en ayrıntılı LIME sonuçlarına ise EfficientNet-B1 mimarisi ile ulaşılmıştır.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:Evrişimsel Sinir Ağları · EfficientNet-B1 · Vision Transformer

Özet

Günümüzde dijital patoloji, tümörlerin teşhisi ve tahminleme konusunda önemli bir rol oynamaktadır. Derin Öğrenme (DÖ) yöntemlerinin geniş ölçekli uygulamalarla başa çıkma yeteneği göz önüne alındığında, bu tür modeller, histopatolojik görüntülerde doku sınıflandırma için cazip bir çözüm olarak kullanılmaktadır. Bu çalışma, histopatolojik görüntülerden akciğer kanserinin otomatik sınıflandırması için doğru ve yorumlanabilir bir makine öğrenimi tekniği oluşturmayı amaçlamaktadır. Mevcut yöntemde Evrişimsel Sinir Ağları (ESA), Vision Transformer (ViT) ve EfficientNet-B1 mimarisi karşılaştırılarak LIME (Local Interpretable Model-agnostic Explanations) açıklanabilirlik metoduyla patoloji görüntüleri üzerinde kanser tespit sistemi önerilmiştir. ViT ve EfficientNet-B1 mimarisinin evrişim tabanlı ESA mimarisine göre f1-skoru, hassasiyet ve duyarlılık oranının daha başarılı sonuçlar verdiği gözlemlenmiştir. En yüksek başarım oranına ViT mimarisi ile yaklaşılmış olup en ayrıntılı LIME sonuçlarına ise EfficientNet-B1 mimarisi ile ulaşılmıştır.

🔖

Cite This Article

Şeker, D., Kartal, M. S., Yıldız, A., Öksüz, İ. (2024). Akciğer Kanseri Tespitinde Dönüşüm ve Evrişim Tabanlı Modeller ile Açıklanabilir Yapay Zeka Uygulaması. EMO Bilimsel Dergi, Cilt: 14 Sayı: 2, 59–69. https://ajindex.com/articles/1390296

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (21)

  1. M. B. Schabath and M. L. Cote, “Cancer progress and priorities: Lung cancer,” Cancer Epidemiol. Biomarkers Prev., vol. 28, no. 10, pp. 1563–1579, 2019, doi: 10.1158/1055-9965.EPI-19-0221.
  2. M. C. Staff, “Cancer.” Accessed: May 06, 2024. [Online]. Available: https://www.mayoclinic.org/diseases-conditions/cancer/symptoms-causes/syc-20370588.
  3. L. L. Zullig et al., “Cancer incidence among patients of the U.S. veterans affairs health care system: 2010 update,” Mil. Med., vol. 182, no. 7, pp. e1883–e1891, 2017, doi: 10.7205/MILMED-D-16-00371.
  4. World Health Organization, “Cancer.” Accessed: May 02, 2024. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/cancer
  5. W. D. Travis, “Pathology of Lung Cancer,” Clin. Chest Med., vol. 32, no. 4, pp. 669–692, 2011, doi: 10.1016/j.ccm.2011.08.005.
  6. L. Succony, D. M. Rassl, A. P. Barker, F. M. McCaughan, and R. C. Rintoul, “Adenocarcinoma spectrum lesions of the lung: Detection, pathology and treatment strategies,” Cancer Treat. Rev., vol. 99, no. May, p. 102237, 2021, doi: 10.1016/j.ctrv.2021.102237.
  7. S. Huang, J. Yang, S. Fong, and Q. Zhao, “Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges,” Cancer Lett., vol. 471, no. December 2019, pp. 61–71, 2020, doi: 10.1016/j.canlet.2019.12.007.
  8. T. Aitazaz, A. Tubaishat, F. Al-Obeidat, B. Shah, T. Zia, and A. Tariq, “Transfer learning for histopathology images: an empirical study,” Neural Comput. Appl., vol. 35, no. 11, pp. 7963–7974, 2023, doi: 10.1007/s00521-022-07516-7.
  9. M. Ali and R. Ali, “Multi-Input Dual-Stream Capsule Network for Improved Lung and Colon Cancer Classification,” Diagnostics, vol. 11, no. 8, 2021, doi: 10.3390/diagnostics11081485.
  10. N. Kumar, M. Sharma, V. P. Singh, C. Madan, and S. Mehandia, “An empirical study of handcrafted and dense feature extraction techniques for lung and colon cancer classification from histopathological images,” Biomed. Signal Process. Control, vol. 75, p. 103596, 2022, doi: https://doi.org/10.1016/j.bspc.2022.103596.
  11. N. yahia Ibrahim and A. S. Talaat, “An Enhancement Technique to Diagnose Colon and Lung Cancer by using Double CLAHE and Deep Learning,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 8, 2022, doi: https://doi.org/10.14569/IJACSA.2022.0130833.
  12. J. Fan, J. Lee, and Y. Lee, “A Transfer Learning Architecture Based on a Support Vector Machine for Histopathology Image Classification,” Appl. Sci., vol. 11, no. 14, 2021, doi: 10.3390/app11146380.
  13. M. A. Talukder, M. M. Islam, M. A. Uddin, A. Akhter, K. F. Hasan, and M. A. Moni, “Machine learning-based lung and colon cancer detection using deep feature extraction and ensemble learning,” Expert Syst. Appl., vol. 205, p. 117695, 2022, doi: https://doi.org/10.1016/j.eswa.2022.117695.
  14. S. Mangal, A. Chaurasia, and A. Khajanchi, “Convolution Neural Networks for diagnosing colon and lung cancer histopathological images.” 2020.
  15. K. Adu, Y. Yu, J. Cai, K. Owusu-Agyemang, B. A. Twumasi, and X. Wang, “DHS-CapsNet: Dual horizontal squash capsule networks for lung and colon cancer classification from whole slide histopathological images,” Int. J. Imaging Syst. Technol., vol. 31, no. 4, pp. 2075–2092, 2021, doi: https://doi.org/10.1002/ima.22569.
  16. A. A. Borkowski, M. M. Bui, L. B. Thomas, C. P. Wilson, L. A. DeLand, and S. M. Mastorides, “Lung and Colon Cancer Histopathological Image Dataset (LC25000),” pp. 1–2, 2019.
  17. J. M. JR Goldblum, LW Lamps, Rosai and Ackerman’s Surgical Pathology. 2017.
  18. C. Ieracitano, N. Mammone, A. Bramanti, A. Hussain, and F. C. Morabito, “A Convolutional Neural Network approach for classification of dementia stages based on 2D-spectral representation of EEG recordings,” Neurocomputing, vol. 323, pp. 96–107, 2019, doi: 10.1016/j.neucom.2018.09.071.
  19. S. Han, H. Mao, and W. J. Dally, “Deep compression: Compressing deep neural networks with pruning, trained quantization and Huffman coding,” 4th Int. Conf. Learn. Represent. ICLR 2016 - Conf. Track Proc., pp. 1–14, 2016.
  20. M. Tan and Q. V. Le, “EfficientNet: Rethinking model scaling for convolutional neural networks,” 36th Int. Conf. Mach. Learn. ICML 2019, vol. 2019-June, pp. 10691–10700, 2019.
  21. A. Vaswani, N. Shazeer, and N. Parmar, “Attention is All You Need,” in 31st Conference on Neural Information Processing Systems