గైనకాలజీ & ప్రసూతి శాస్త్రం
అందరికి ప్రవేశం

నైరూప్య

గర్భాశయ క్యాన్సర్ యొక్క కృత్రిమ మేధస్సు ఆధారిత స్క్రీనింగ్ కోసం డిజిటైజ్డ్ మరియు కాలిబ్రేటెడ్ సర్వైకల్ సెల్స్ యొక్క నవల బెంచ్మార్క్ డేటాబేస్

అబిద్ సర్వర్, జ్యోత్స్న సూరి, వినోద్ శర్మ మరియు మెహబాబ్ అలీ

ఆబ్జెక్టివ్: ఈ పరిశోధన పని యొక్క ప్రాథమిక లక్ష్యం పాపానికోలౌ స్మెర్ టెస్ట్ యొక్క స్లైడ్‌ల నుండి పొందిన డిజిటైజ్ చేయబడిన మరియు క్రమాంకనం చేయబడిన, గర్భాశయ కణాల యొక్క నవల బెంచ్‌మార్క్ డేటాబేస్‌ను అభివృద్ధి చేయడం, ఇది గర్భాశయ క్యాన్సర్ స్క్రీనింగ్ కోసం చేయబడుతుంది. ఈ డేటాబేస్ పాపానికోలౌ స్మెర్ ఇమేజ్‌ల క్యారెక్టరైజేషన్ మరియు వర్గీకరణ ద్వారా గర్భాశయ క్యాన్సర్ యొక్క రోగనిర్ధారణ కోసం వివిధ కృత్రిమ మేధస్సు ఆధారిత వ్యవస్థల రూపకల్పన, అభివృద్ధి, శిక్షణ, పరీక్ష మరియు ధృవీకరించడానికి సంభావ్య సాధనంగా ఉపయోగపడుతుంది. వివిధ మెషీన్ లెర్నింగ్ మరియు ఇమేజ్ ప్రాసెసింగ్ అల్గారిథమ్‌ల పని సామర్థ్యాల తులనాత్మక విశ్లేషణ కోసం ఇతర పరిశోధకులు కూడా డేటాబేస్‌ను ఉపయోగించవచ్చు. సంబంధిత రచయితకు అభ్యర్థన పంపడం ద్వారా డేటాబేస్ పొందవచ్చు. రిచ్ మెషీన్ లెర్నింగ్ డేటాబేస్‌ను అభివృద్ధి చేయడంతో పాటు పాపానికోలౌ స్మెర్ ఇమేజ్‌ల స్వయంచాలక విశ్లేషణ ద్వారా గర్భాశయ క్యాన్సర్‌ను సమర్థవంతంగా పరీక్షించడం కోసం మేము ఒక నవల కృత్రిమ మేధస్సు ఆధారిత హైబ్రిడ్ సమిష్టి సాంకేతికతను కూడా అందించాము.

Methodology: The correct and timely diagnosis of cervical cancer is one of the major problems in the medical world. From the literature it has been found that different pattern recognition techniques can help them to improve in this domain. Papanicolaou smear (also referred to as Pap smear) is a microscopic examination of samples of human cells scraped from the lower, narrow part of the uterus, called cervix. A sample of cells after being stained by using Papanicolaou method is analyzed under microscope for the presence of any unusual developments indicating any precancerous and potentially precancerous developments. Abnormal findings, if observed are subjected to further precise diagnostic subroutines. Examining the cell images for abnormalities in the cervix provides grounds for provision of prompt action and thus reducing incidence and deaths from cervical cancer. It is the most popular technique used for screening of cervical cancer. Pap smear test, if done with a regular screening programs and proper follow-up, can reduce cervical cancer mortality by up to 80%. The contribution of this paper is that we have created a rich machine learning database of quantitatively profiled and calibrated cervical cells obtained from Papsmear test slides. The database so created consists of data of about 200 clinical cases (8091 cervical cells), which have been obtained from multiple health care centers, so as to ensure diversity in data. The slides were processed using a multi-headed digital microscope and images of cervical cells were obtained, which were passed through various data preprocessing subroutines. After preprocessing the cells were morphologically profiled and scaled to obtain separate quantitative measurements of various features of cytoplasm and nucleus respectively. The cells in the database were carefully classified in different corresponding classes according to latest 2001-Bethesda system of classification, by technicians. In addition to this, we have also pioneered to apply a novel hybrid ensemble system to this database in order to evaluate the effectiveness of both novel database and novel hybrid ensemble technique to screen cervical cancer by categorization of Pap smear data. The paper also presents a comparative analysis of multiple artificial intelligence based classification algorithms for prognosis of cervical cancer.

ఫలితాలు: ఈ పనిలో తయారు చేయబడిన డిజిటల్ డేటాబేస్ యొక్క ప్రభావం మరియు ఖచ్చితత్వాన్ని అంచనా వేయడానికి, రచయితలు పదిహేను వేర్వేరు కృత్రిమ మేధస్సు ఆధారిత మెషీన్ లెర్నింగ్ అల్గారిథమ్‌లకు శిక్షణ, పరీక్ష మరియు ధృవీకరించడం కోసం ఈ డేటాబేస్‌ను అమలు చేశారు. ఈ డేటాబేస్‌తో శిక్షణ పొందిన అన్ని అల్గారిథమ్‌లు గర్భాశయ క్యాన్సర్‌ను పరీక్షించడంలో ప్రశంసనీయమైన సామర్థ్యాన్ని అందించాయి. రెండు-తరగతి సమస్య కోసం డిజిటల్ డేటాబేస్‌తో శిక్షణ పొందిన అన్ని అల్గారిథమ్‌లు దాదాపు 93-95% పరిధిలో సామర్థ్యాలను చూపించాయి, అయితే మల్టీ క్లాస్ సమస్య అల్గారిథమ్‌లు దాదాపు 69-78% పరిధిలో సామర్థ్యాలను వ్యక్తం చేశాయి. గర్భాశయ క్యాన్సర్ యొక్క స్వయంచాలక స్క్రీనింగ్ కోసం కొత్త మెషీన్ లెర్నింగ్ ఆధారిత పద్ధతులను అభివృద్ధి చేయడానికి ఈ పనిలో తయారు చేయబడిన నవల డిజిటల్ డేటాబేస్ సమర్థవంతంగా ఉపయోగించబడుతుందని ఫలితాలు సూచిస్తున్నాయి. పాప్-స్మెర్ చిత్రాల వర్గీకరణకు హైబ్రిడ్ సమిష్టి సాంకేతికత సమర్థవంతమైన పద్ధతి అని ఫలితాలు సూచిస్తున్నాయి మరియు అందువల్ల గర్భాశయ క్యాన్సర్ నిర్ధారణకు సమర్థవంతంగా ఉపయోగించబడవచ్చు. అమలు చేయబడిన అన్ని అల్గారిథమ్‌లలో, హైబ్రిడ్ సమిష్టి విధానం 2-తరగతి సమస్యకు 98% మరియు 7-తరగతి సమస్యకు 86% సామర్థ్యాన్ని అధిగమించింది మరియు వ్యక్తీకరించింది. అన్ని స్వతంత్ర వర్గీకరణదారులతో పోల్చినప్పుడు ఫలితాలు రెండు తరగతుల మరియు బహుళ-తరగతి సమస్యలకు గణనీయంగా మెరుగ్గా ఉన్నాయి.