ГІБРИДНИЙ ПІДХІД НА ОСНОВІ ГЛИБОКОГО НАВЧАННЯ ТА ІНФОРМАЦІЙНО-ЕКСТРЕМАЛЬНОЇ ТЕХНОЛОГІЇ ДЛЯ КЛАСИФІКАЦІЇ ГІСТОПАТОЛОГІЧНИХ ЗОБРАЖЕНЬ РАКУ МОЛОЧНОЇ ЗАЛОЗИ

Анотація

У статті представлено метод класифікації гістопатологічних повнослайдових зображень раку молочної залози з використанням моделі глибокого навчання на основі ResNet-50 та класифікатора на основі інформаційно-екстремальної інтелектуальної технології (IEІT), що є критично важливим з огляду на зростаючу щорічну смертність від раку молочної залози. Золотим стандартом діагностики раку молочної залози на основі гістопатологічних повнослайдових зображень є ручний огляд кожної області зображення високої роздільної здатності, що потребує значного часу та є схильним до помилок. Системи автоматизованої діагностики (CAD) на основі машинного навчання можуть прискорити роботу гістопатолога та зменшити частоту помилок при прийнятті рішень, тим самим підвищуючи точність та ефективність діагностичного процесу. Аналіз наявних рішень показав, що глибокі нейронні мережі, особливо згорткові нейронні мережі (CNN), мають найвищий показник функціональної ефективності в задачах класифікації зображень завдяки їхній здатності автоматично навчатися та виділяти релевантні ознаки з вхідних даних. Проте етап навчання потребує великого обсягу якісних даних, які часто обмежені в гістопатології, що робить актуальною задачу розробки високоефективних моделей з обмеженими наборами навчальних зображень. Запропонована модель була навчена на загальнодоступному наборі даних BreakHis, досягнувши точності 88,98% лише за 20 епох навчання, перевершуючи інші методи. Результати демонструють, що використання попередньо навченої CNN на наборі даних, не специфічному для конкретної області, може забезпечити точне виділення ознак. Це свідчить про перспективність підходу для вдосконалення CAD-систем, особливо в умовах обмеженості даних. Порівняння з іншими моделями продемонструвало її потенціал для практичного застосування в діагностиці раку молочної залози.