تصنيف الأورام الثديية بناءً على صور الأنسجة المرضية باستخدام الميزات العميقة ودمج طرق التدرج المُعزّز

يُعد سرطان الثدي أكثر أنواع السرطان شيوعًا بين النساء في جميع أنحاء العالم. ويمكن أن يؤدي التشخيص المبكر لسرطان الثدي إلى تحسين كبير في كفاءة العلاج. وتُستخدم أنظمة التشخيص المُساعَد بالحاسوب (CAD) على نطاق واسع في هذا المجال بفضل موثوقيتها ودقتها وتكاليفها المنخفضة. هناك تقنيات تصوير مختلفة لتشخيص سرطان الثدي، ومن أدقها تقنية الهيستوباثولوجيا التي تُستخدم في هذه الدراسة. وتم استخدام التعلم العميق للتحويل المميزات كفكرة رئيسية في استخراج الميزات في النظام المُقترح لـ CAD. وعلى الرغم من اختبار 16 شبكة مُدرّبة مسبقًا في هذه الدراسة، فإن التركيز الأساسي ينصب على مرحلة التصنيف. وقد أظهرت الشبكة Inception-ResNet-v2، التي تدمج بين الشبكات المتبقية (Residual) والشبكات المُنتجة (Inception)، أفضل قدرة على استخراج الميزات في حالة صور الهيستوباثولوجيا لسرطان الثدي مقارنةً بجميع الشبكات العصبية التلافيفية (CNN) التي تم اختبارها. وفي مرحلة التصنيف، قدّم تجميع خوارزميات CatBoost وXGBoost وLightGBM أفضل دقة متوسطة. تم استخدام مجموعة بيانات BreakHis لتقييم الطريقة المقترحة. وتضم مجموعة BreakHis 7909 صورًا هستوباثولوجية (2480 صورة حميدة و5429 صورة خبيثة) بعشرة عوامل تكبير مختلفة. وبلغت دقة الطريقة المقترحة (IRv2-CXL) باستخدام 70% من بيانات BreakHis كمجموعة تدريب، في عوامل التكبير 40x و100x و200x و400x، على التوالي، 96.82% و95.84% و97.01% و96.15%. وقد ركّزت معظم الدراسات السابقة حول الكشف التلقائي عن سرطان الثدي على استخراج الميزات، وهو ما دفعنا إلى التركيز على مرحلة التصنيف. وقد أظهرت الطريقة IRv2-CXL نتائج أفضل أو مماثلة في جميع عوامل التكبير، وذلك بفضل استخدام طريقة التصويت الناعم (soft voting ensemble) التي تُمكن من دمج المزايا المشتركة لخوارزميات CatBoost وXGBoost وLightGBM معًا.