Lung Cancer Identification with Deep Networks: Convolutional Neural Network or Transformers!
Notice bibliographique
Résumé
Lung cancer is one of the most common and deadly cancers worldwide, with low survival rates due to delayed identification. Timely and accurate diagnosis can improve treatment outcomes and reduce mortality. Histopathological imaging remains the gold standard for diagnosis, but manual inspection is laborious and subjective. In this context, deep learning approaches can automate classification and support pathologists in making reliable decisions. This research presents a deep learning-based multi-class lung cancer classification framework using histopathological images. The dataset consists of three categories: benign, adenocarcinoma, and squamous cell carcinoma. Multiple CNN architectures, including MobileNetV2, ResNet-101, and EfficientNet-B3, were evaluated. Among them, MobileNetV2 achieved the highest classification accuracy of 99.1%, while EfficientNet-B3 achieved 97.2% with a strong balance across precision, recall, F1-score, and ROC-AUC. To address class imbalance and overfitting, transfer learning, class weighting, and data augmentation were applied. Confusion matrix analysis further confirmed the ability of the models to distinguish between similar cancer subtypes. The findings highlight the potential of EfficientNet-based CNNs for reliable medical image analysis and digital pathology. Future work will explore Vision Transformers and attention mechanisms to enhance diagnostic accuracy and interpretability. Overall, this research demonstrates the promise of AI-supported histological evaluation and its role in advancing clinical decision support.
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) | 0,000 | 0,000 |
| 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) | 0,002 | 0,001 |
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 ».