Diagnosis of Malignant Lymphoma Cancer Using Hybrid Optimized Techniques Based on Dense Neural Networks

要約

リンパ腫の診断、特にサブタイプを区別することは効果的な治療に不可欠ですが、病理組織画像の形態学的に微妙な違いがあるため依然として困難です。
この研究では、特徴抽出のための DenseNet201 と、Harris Hawks Optimization (HHO) アルゴリズムを使用して最適化された分類のための Dense Neural Network (DNN) を組み合わせた、新しいハイブリッド ディープ ラーニング フレームワークを紹介します。
このモデルは、慢性リンパ性白血病 (CLL)、濾胞性リンパ腫 (FL)、およびマントル細胞リンパ腫 (MCL) の 3 つのリンパ腫サブタイプにわたる 15,000 枚の生検画像のデータセットでトレーニングされました。
私たちのアプローチは 99.33\% のテスト精度を達成し、精度とモデルの解釈可能性の両方が大幅に向上したことを実証しました。
精度、再現率、F1 スコア、ROC-AUC を使用した包括的な評価により、モデルの堅牢性と臨床採用の可能性が強調されます。
このフレームワークは、腫瘍学の診断精度と効率を向上させるためのスケーラブルなソリューションを提供します。

要約(オリジナル)

Lymphoma diagnosis, particularly distinguishing between subtypes, is critical for effective treatment but remains challenging due to the subtle morphological differences in histopathological images. This study presents a novel hybrid deep learning framework that combines DenseNet201 for feature extraction with a Dense Neural Network (DNN) for classification, optimized using the Harris Hawks Optimization (HHO) algorithm. The model was trained on a dataset of 15,000 biopsy images, spanning three lymphoma subtypes: Chronic Lymphocytic Leukemia (CLL), Follicular Lymphoma (FL), and Mantle Cell Lymphoma (MCL). Our approach achieved a testing accuracy of 99.33\%, demonstrating significant improvements in both accuracy and model interpretability. Comprehensive evaluation using precision, recall, F1-score, and ROC-AUC underscores the model’s robustness and potential for clinical adoption. This framework offers a scalable solution for improving diagnostic accuracy and efficiency in oncology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google