Hintergrund und ZielsetzungZervikalkrebs ist eine der Haupttodesursachen bei Frauen. Wie bei jeder anderen Krankheit sind die frühzeitige Erkennung und die Behandlung mit bestmöglicher medizinischer Beratung die entscheidenden Schritte, um die Folgeschäden dieser Erkrankung zu minimieren. Pap-Abstrichbilder stellen eine der effektivsten Methoden zur Detektion dieses Krebs-Typs dar. In diesem Artikel wird ein neuartiger, auf Fuzzy-Distanz basierender Ensemble-Ansatz vorgestellt, der aus tiefen Lernmodellen besteht und zur Erkennung von Zervikalkrebs in Pap-Abstrichbildern eingesetzt wird.MethodenZur Durchführung dieser Aufgabe werden drei Transfer-Learning-Modelle eingesetzt: Inception V3, MobileNet V2 und Inception ResNet V2, ergänzt um zusätzliche Schichten zur Lernung datenspezifischer Merkmale. Zur Aggregation der Ergebnisse dieser Modelle wird ein neuartiges Ensemble-Verfahren vorgeschlagen, das auf der Minimierung der Fehlerwerte zwischen den beobachteten und den ground-truth-Werten basiert. Bei Proben mit mehreren Vorhersagen werden zunächst drei Distanzmaße – euklidisch, manhattan (City-Block) und kosinus – für jede Klasse relativ zu ihrer jeweils besten möglichen Lösung berechnet. Diese Distanzmaße werden anschließend mittels der Produktregel entfuzzifiziert, um die endgültigen Vorhersagen zu ermitteln.ErgebnisseIn den aktuellen Experimenten wurden Einzelergebnisse von jeweils 95,30 % (Inception V3), 93,92 % (MobileNet V2) und 96,44 % (Inception ResNet V2) erzielt. Nach Anwendung des vorgeschlagenen Ensemble-Verfahrens steigt die Gesamtleistung auf 96,96 % – ein Wert, der höher ist als der jeder einzelnen Modellperformance.SchlussfolgerungDie experimentellen Ergebnisse auf drei öffentlich verfügbaren Datensätzen zeigen, dass das vorgeschlagene Modell im Vergleich zu aktuellen State-of-the-Art-Methoden konkurrenzfähige Ergebnisse liefert. Der vorgestellte Ansatz stellt eine end-to-end-Klassifizierungsmethode zur Erkennung von Zervikalkrebs aus Pap-Abstrichbildern bereit. Dies könnte medizinischen Fachkräften helfen, eine verbesserte Behandlung zu gewährleisten und die Gesamteffizienz des gesamten Testprozesses zu erhöhen. Der Quellcode des vorgeschlagenen Ansatzes ist unter github.com/rishavpramanik/CervicalFuzzyDistanceEnsemble verfügbar.