Enhancing cervical cancer diagnosis with graph convolution network: AI-powered segmentation, feature analysis, and classification for early detection
Notice bibliographique
Résumé
Abstract Cervical cancer is a prevalent disease affecting the cervix cells in women and is one of the leading causes of mortality for women globally. The Pap smear test determines the risk of cervical cancer by detecting abnormal cervix cells. Early detection and diagnosis of this cancer can effectively increase the patient’s survival rate. The advent of artificial intelligence facilitates the development of automated computer-assisted cervical cancer diagnostic systems, which are widely used to enhance cancer screening. This study emphasizes the segmentation and classification of various cervical cancer cell types. An intuitive but effective segmentation technique is used to segment the nucleus and cytoplasm from histopathological cell images. Additionally, handcrafted features include different properties of the cells generated from the distinct cervical cytoplasm and nucleus area. Two feature rankings techniques are conducted to evaluate this study’s significant feature set. Feature analysis identifies the critical pathological properties of cervical cells and then divides them into 30, 40, and 50 sets of diagnostic features. Furthermore, a graph dataset is constructed using the strongest correlated features, prioritizes the relationship between the features, and a robust graph convolution network (GCN) is introduced to efficiently predict the cervical cell types. The proposed model obtains a sublime accuracy of 99.11% for the 40-feature set of the SipakMed dataset. This study outperforms the existing study, performing both segmentation and classification simultaneously, conducting an in-depth feature analysis, attaining maximum accuracy efficiently, and ensuring the interpretability of the proposed model. To validate the model’s outcome, we tested it on the Herlev dataset and highlighted its robustness by attaining an accuracy of 98.18%. The results of this proposed methodology demonstrate the dependability of this study effectively, detecting cervical cancer in its early stages and upholding the significance of the lives of women.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».