Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình dự đoán dựa trên việc trích xuất đặc trưng từ hình ảnh mô học của vú
Multimedia Tools and Applications - Trang 1-28 - 2023
Tóm tắt
Ung thư vú là một trong những loại ung thư phổ biến và đe dọa đến tính mạng nhất ở phụ nữ. Bước đầu tiên để điều trị thành công và cải thiện tỷ lệ sống sót cho bệnh nhân ung thư vú là đánh giá nhanh chóng và chính xác căn bệnh này. Việc dự đoán ung thư từ hình ảnh sinh thiết là một nhiệm vụ đầy thử thách. Trong vài năm qua, nhiều nhà nghiên cứu đã phát triển các mô hình học máy (ML), học sâu (DL), dự đoán và đáp ứng với liệu pháp điều trị để kiểm tra hình ảnh mô bệnh học ung thư vú nhằm nâng cao độ chính xác chẩn đoán. Mô hình hiện tại phân loại sai các pixel dương tính giả và không khai thác rộng rãi dữ liệu lâm sàng hiện có. Bài báo này đề xuất một mô hình toán học mới để dự đoán ung thư vú (BRCA). Thêm vào đó, mô hình đề xuất được tích hợp với phương pháp ML để cải thiện độ chính xác của dự đoán. Các mô hình toán học được cung cấp với các đặc trưng của tế bào ung thư vú và phân loại chúng thành hai loại: lành tính và ác tính. Chúng tôi đã sử dụng bộ dữ liệu hình ảnh mô học BRCA có sẵn công khai để thử nghiệm phương pháp đề xuất. Nhiều mô hình ML khác nhau đã được sử dụng để phân loại các đặc trưng đã được trích xuất. Kết quả cho thấy mô hình toán học đề xuất kết hợp với các kỹ thuật học máy khác nhau đạt hiệu suất vượt trội. Phương pháp này có thể được đa dạng hóa cho các loại ung thư và các phương thức hình ảnh khác nhau. Tóm lại, phương pháp đề xuất có nhiều tiềm năng trong việc nâng cao độ chính xác và hiệu quả của BRCA sử dụng hình ảnh mô bệnh học.
Từ khóa
#ung thư vú #dự đoán #mô hình toán học #hình ảnh mô học #học máyTài liệu tham khảo
Abernathy K, Abernathy Z, Baxter A, Stevens M (2020) Global Dynamics of a Breast Cancer Competition Model. Differ Equ Dynam Syst 28(4):791–805. https://doi.org/10.1007/s12591-017-0346-x
Agossou C, Atchadé MN, Djibril AM, Kurisheva SV (2022) Mathematical modeling and machine learning for public health decision-making: the case of breast cancer in Benin. Math Biosci Eng 19(2):1697–1720
Alameddine AK, Conlin F, Binnall B (2018) An Introduction to the Mathematical Modeling in the Study of Cancer Systems Biology. Cancer Inform. 17. https://doi.org/10.1177/1176935118799754
Botesteanu DA, Lipkowitz S, Lee JM, Levy D (2016) Mathematical models of breast and ovarian cancers. Wiley Interdiscip Rev Syst Biol Med 8(4):337–362
Carvalho RH, Martins AS, Neves LA, Nascimento MZ (2020) Analysis of Features for Breast Cancer Recognition in Different Magnifications of Histopathological Images. 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), Niteroi, pp 39–44. https://doi.org/10.1109/IWSSIP48289.2020.9145129
Fathoni MIA, Gunardi, Kusumo FA, Hutajulu SH (2019) Mathematical model analysis of breast cancer stages with side effects on heart in chemotherapy patients. AIP Conf Proc 2192(1):060007. https://doi.org/10.1063/1.5139153
Hao Y, Qiao S, Zhang L, Xu T, Bai Y, Hu H, Zhang W, Zhang G (2021) Breast cancer histopathological images recognition based on low dimensional three-channel features. Frontiers in oncology 11:657560. https://doi.org/10.3389/fonc.2021.657560
Hasan MK, Islam MM, Hashem MMA (2016) Mathematical model development to detect breast cancer using multigene genetic programming, 5th International Conference on Informatics, Electronics and Vision (ICIEV), pp. 574–579
Huang Q, Huang Y, Luo Y, Yuan F, Li X (2020) Segmentation of breast ultrasound image with semantic classification of superpixels. Med Image Anal 61:101657. https://doi.org/10.1016/j.media.2020.101657
Huang Q, Miao Z, Zhou S, Chang C, Li X (2021) Dense prediction and local fusion of superpixels: a framework for breast anatomy segmentation in ultrasound image with scarce data. IEEE Trans Instrum Meas 70:1–8. https://doi.org/10.1109/TIM.2021.3088421. (Art no. 5011508)
Isikli Esener I et al (2017) A new feature ensemble with a multistage classification scheme for breast cancer diagnosis. J Healthc Eng 3895164
Jarrett AM, Shah A, Bloom MJ et al (2019) Experimentally-driven mathematical modeling to improve combination targeted and cytotoxic therapy for HER2+ breast cancer. Sci Rep 9:12830. https://doi.org/10.1038/s41598-019-49073-5
Kai B, Mengran Z, Feng H, Wenhao L (2020) RF-PCA: a new solution for rapid identification of breast cancer categorical data based on attribute selection and feature extraction. Front Genet 11. https://doi.org/10.3389/fgene.2020.566057; https://www.frontiersin.org/article/. Accessed 23 May 2023
Kbenzekry MS, Lamont C, Beheshti A, Tracz A, Ebos JML et al (2014) Classical Mathematical Models for Description and Prediction of Experimental Tumor Growth. PLoS Comput Biol 10(8):e1003800
Kiichi Fukuma VB, Prasath S, Kawanaka H, Aronow BJ, Takase H (2016) A Study on Nuclei Segmentation, Feature Extraction and Disease Stage Classification for Human Brain Histopathological Images. Procedia Comput Sci 96:1202–1210
Kumar A, Prateek M (2020) Localization of Nuclei in Breast Cancer Using Whole Slide Imaging System Supported by Morphological Features and Shape Formulas. Cancer Manag Res 12:4573–4583
Kumar R, Srivastava R, Srivastava S (2015) Detection and Classification of Cancer from Microscopic Biopsy Images Using Clinically Significant and Biologically Interpretable Features. J Med Eng 2015:457906
Kumar N, Verma R, Sharma S, Bhargava S, Vahadane A, Sethi A (2017) A Dataset and a Technique for Generalized Nuclear Segmentation for Computational Pathology. IEEE Trans Med Imaging 36(7):1550–1560
Li J, Shi J, Hexing Su, Gao Le (2022) Breast Cancer Histopathological Image Recognition Based on Pyramid Gray Level Co-Occurrence Matrix and Incremental Broad Learning. Electronics 11(15):2322. https://doi.org/10.3390/electronics11152322
de Matos J, Ataky S, de Souza Britto A, Soares de Oliveira L, LameirasKoerich A (2021) Machine Learning Methods for Histopathological Image Analysis: A Review. Electronics 10(5):562. https://doi.org/10.3390/electronics10050562
Mittal S, Brown NJ, Holen I (2018) The breast tumor microenvironment: role in cancer development, progression and response to therapy. Expert Rev Mol Diagn 18(3):227–243. https://doi.org/10.1080/14737159.2018.1439382
Mohammad Mirzaei N, Su S, Sofia D, Hegarty M, Abdel-Rahman MH, Asadpoure A, Cebulla CM, Chang YH, Hao W, Jackson PR, Lee AV, Stover DG, Tatarova Z, Zervantonakis IK, Shahriyari L (2021) A Mathematical Model of Breast Tumor Progression Based on Immune Infiltration. J Pers Med 11(10):1031
Nagdeote S, Prabhu S (2023) A Review on Computer-assisted Techniques to Analyze Histopathological Images of the Breast. International Conference on Power, Instrumentation, Energy and Control (PIECON), Aligarh, India, 2023, pp. 1–6. https://doi.org/10.1109/PIECON56912.2023.10085880.
Namazi H, Kulish V, Wong A (2015) Mathematical Modelling and Prediction of the Effect of Chemotherapy on Cancer Cells. Sci Rep 5:13583
Naser MA, Sayed AM, Wahba AA, Eldosoky MAA (2018) Breast Tumors Diagnosis Using Finite Element Modelling. J Biomedical Sci 7(2):5
Nave O (2020) Adding features from the mathematical model of breast cancer to predict the tumour size. Int J Comput Math Comput Syst Theory 5(3):159–174
Nave O, Elbaz M, Bunimovich-Mendrazitsky S (2020) Analysis of a breast cancer mathematical model by a new method to find an optimal protocol for HER2-positive cancer. Biosystems 197:104191 (ISSN 0303-2647)
Novitasari DC, Lubab A, Sawiji A, Asyhar AH (2019) Application of Feature Extraction for Breast Cancer using One Order Statistic, GLCM, GLRLM, and GLDM. Adv Sci Technol Eng Syst J 4(4):115–120
Oke SI, Matadi MB, Xulu SS (2018) Optimal Control Analysis of a Mathematical Model for Breast Cancer. Math Comput Appl 23(2):21. https://doi.org/10.3390/mca23020021
Piretto E, Delitala M, Ferraro M (2020) Efficiency of cancer treatments: in silico experiments. Math Model Nat Phenom 15:19
Qiao M, Liu C, Li Z, Zhou J, Xiao Q, Zhou S, Chang C, Gu Y, Guo Y, Wang Y (2022) Breast Tumor Classification Based on MRI-US Images by Disentangling Modality Features. IEEE J Biomed Health Inform 26(7):3059–3067. https://doi.org/10.1109/JBHI.2022.3140236
Rockne RC, Scott JG (2019) Introduction to Mathematical Oncology. JCO Clin Cancer Inform 3:1–4
Roy SD, Das S, Kar D, Schwenker F, Sarkar R (2021) Computer Aided Breast Cancer Detection Using Ensembling of Texture and Statistical Image Features. Sensors 21(11):3628
Sahran S, Qasem A, Omar K, DheebAlbashih D, Adam A, Abdullah SNHS, AziziAbdullah A, Hussain RI, Ismail F, Abdullah N, Pauzi SM, Shukor NA (2018) Machine Learning Methods for Breast Cancer Diagnostic. Breast Cancer and Surgery. IntechOpen. https://doi.org/10.5772/intechopen.79446
Shallu S, Mehra R (2020) Conventional Machine Learning and Deep Learning Approach for Multi-Classification of Breast Cancer Histopathology Images-a Comparative Insight. J Digit Imaging 33(3):632–654. https://doi.org/10.1007/s10278-019-00307-y
Shubhangi AJ, Bongale AM, Bongale AM (2021) Breast Cancer Detection from Histopathology Images using Machine Learning Techniques: A Bibliometric Analysis. Libr Philos Pract (e-journal) 5376. https://digitalcommons.unl.edu/libphilprac/5376
Solís-Pérez JE, Gómez-Aguilar JF, Atangana A (2019) A fractional mathematical model of breast cancer competition model. Chaos Solitons Fractals 127:38–54
Spanhol F, Oliveira LS, Petitjean C, Heutte L (2016) A Dataset for Breast Cancer Histopathological Image Classification. IEEE Trans Biomed Eng (TBME) 63(7):1455–1462
Tabassum S, Rosli NB, Mazalan MSAB (2019) Mathematical Modeling of Cancer Growth Process: A Review. J Phys Conf Ser 1366:012018. https://doi.org/10.1088/1742-6596/1366/1/012018
Yan R, Zhang Fa, Rao X, Lv ZhilongA, Li J, Zhang L, Liang S, Yilin Li, Ren F, Zheng C, Liang J (2021) Richer fusion network for breast cancer classification based on multimodal data. BMC Med Inform Decis Mak 21:134
Yunchao G, Jiayao Y (2019) Application of Computer Vision and Deep Learning in Breast Cancer Assisted Diagnosis. In Proceedings of the 3rd International Conference on Machine Learning and Soft Computing (ICMLSC 2019). Association for Computing Machinery, New York, NY, USA, 186–191. https://doi.org/10.1145/3310986.3311010
Zarella MD, Bowman D, Aeffner F, Farahani N, Xthona A, Absar SF, Parwani A, Bui M, Hartman DJ (2019) A Practical Guide to Whole Slide Imaging: A White Paper From the Digital Pathology Association. Arch Pathol Lab Med 143(2):222–234. https://doi.org/10.5858/arpa.2018-0343-RA