Inception-v3 with reduce learning rate for optimization of lung cancer histopathology classification
Notice bibliographique
Résumé
Cancer is an uncontrolled and destructive proliferation of body cells.Lung cancer is the highest cause of death in Indonesia, especially among men.The cancer patient can be examined for histopathological checkups.This examination is carried out by taking body tissue at a place where cancer cells are suspected.Histopathology is the gold standard for detecting pathology or abnormalities in body cells.The results of a histopathological examination can differentiate between normal body cells, cancer cells, and their types.There are three types of lung cancer histopathology: adenocarcinomas, squamous cell carcinomas, and benign lung tissues.Classification of lung cancer using histopathology images is an alternative to detecting the severity of cancer.This study used Deep Learning Convolutional Neural Network (CNN).Transfer learning utilizes ImageNet weights and biases from the Inception-v3 pre-trained network, so a new model is not trained from scratch.The hyperparameter uses a learning rate (LR) of 0.0001, epoch 50, batch-size 32, and RMSProp optimization.In addition, there is tuning with reduced lr when there is an increase in validation loss before reaching the maximum epoch.The dataset uses the LC25000.The data consists of 3,000 images, three classes with 1,000 classes per class.The best results show accuracy, precision, and recall are 99.17%,99.17%, and 99%, respectively.Performance increased by 3% compared to the baseline method without learning rate tuning.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».