Published January 1, 2023 | Version v1
Publication Open

A Predictive Model to Detect Cervical Diseases Using Convolutional Neural Network Algorithms and Digital Colposcopy Images

Creators

  • 1. Taylor's University

Description

Cervical diseases, specifically cervical cancer (CC), are among the leading causes of death around the globe, imposing a significant challenge to scientists and healthcare providers dealing with cervical disease patients. None of the existing solutions can detect various cervical diseases, which would lead the experts to accurately detect the early stages of cervical diseases due to the equipment limitations and the type of medical detection tests used in those solutions. New technologies have been developed to enable more rapid and sensitive cervical cancer screening using deep learning algorithms. This study proposes a predictive model using deep learning (DL) algorithms and colposcopy images to detect different classes of cervical diseases, including different stages of cervical diseases. This offers the medical sector an opportunity for early-stage diagnosis of cervical diseases. Four rounds of experiments were conducted in this research to evaluate the performance of the proposed model. According to the results, the proposed model can detect classes (stages) of cervical diseases while it obtains high accuracy. The rate of accuracy in the training stage was above 92%, and the highest achieved accuracy was 99% in the third experiment. Also, in this round of the experiment, the model could achieve the highest performance results in accuracy, and sensitivity with values of 98% and 98%, respectively. Notably, the third and last experiments achieved a perfect specificity value of 1.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تعد أمراض عنق الرحم، وتحديداً سرطان عنق الرحم (CC)، من بين الأسباب الرئيسية للوفاة في جميع أنحاء العالم، مما يفرض تحديًا كبيرًا على العلماء ومقدمي الرعاية الصحية الذين يتعاملون مع مرضى أمراض عنق الرحم. لا يمكن لأي من الحلول الموجودة الكشف عن أمراض عنق الرحم المختلفة، مما يدفع الخبراء إلى الكشف بدقة عن المراحل المبكرة من أمراض عنق الرحم بسبب قيود المعدات ونوع اختبارات الكشف الطبي المستخدمة في تلك الحلول. تم تطوير تقنيات جديدة لتمكين فحص سرطان عنق الرحم بشكل أسرع وأكثر حساسية باستخدام خوارزميات التعلم العميق. تقترح هذه الدراسة نموذجًا تنبؤيًا باستخدام خوارزميات التعلم العميق (DL) وصور التنظير المهبلي للكشف عن فئات مختلفة من أمراض عنق الرحم، بما في ذلك المراحل المختلفة لأمراض عنق الرحم. وهذا يوفر للقطاع الطبي فرصة للتشخيص المبكر لأمراض عنق الرحم. تم إجراء أربع جولات من التجارب في هذا البحث لتقييم أداء النموذج المقترح. وفقًا للنتائج، يمكن للنموذج المقترح اكتشاف فئات (مراحل) أمراض عنق الرحم مع الحصول على دقة عالية. وكانت نسبة الدقة في مرحلة التدريب أعلى من 92%، وأعلى دقة محققة بلغت 99% في التجربة الثالثة. أيضا، في هذه الجولة من التجربة، يمكن للنموذج تحقيق أعلى نتائج الأداء في الدقة، والحساسية بقيم 98 ٪ و 98 ٪، على التوالي. والجدير بالذكر أن التجارب الثالثة والأخيرة حققت قيمة خصوصية مثالية قدرها 1.

Translated Description (French)

Les maladies du col de l'utérus, en particulier le cancer du col de l'utérus (CC), sont parmi les principales causes de décès dans le monde, ce qui représente un défi important pour les scientifiques et les prestataires de soins de santé qui traitent les patients atteints de maladies du col de l'utérus. Aucune des solutions existantes ne peut détecter diverses maladies du col de l'utérus, ce qui amènerait les experts à détecter avec précision les premiers stades des maladies du col de l'utérus en raison des limites de l'équipement et du type de tests de détection médicale utilisés dans ces solutions. De nouvelles technologies ont été développées pour permettre un dépistage plus rapide et plus sensible du cancer du col de l'utérus à l'aide d'algorithmes d'apprentissage en profondeur. Cette étude propose un modèle prédictif utilisant des algorithmes d'apprentissage profond (DL) et des images de colposcopie pour détecter différentes classes de maladies cervicales, y compris différents stades de maladies cervicales. Cela offre au secteur médical une opportunité de diagnostic précoce des maladies du col de l'utérus. Quatre séries d'expériences ont été menées dans cette recherche pour évaluer la performance du modèle proposé. Selon les résultats, le modèle proposé peut détecter des classes (stades) de maladies cervicales tout en obtenant une grande précision. Le taux de précision au stade de l'entraînement était supérieur à 92 %, et la précision la plus élevée obtenue était de 99 % dans la troisième expérience. De plus, dans ce cycle de l'expérience, le modèle pourrait atteindre les résultats de performance les plus élevés en termes de précision et de sensibilité avec des valeurs de 98 % et 98 %, respectivement. Notamment, la troisième et dernière expérience a atteint une valeur de spécificité parfaite de 1.

Translated Description (Spanish)

Las enfermedades cervicales, específicamente el cáncer de cuello uterino (CC), se encuentran entre las principales causas de muerte en todo el mundo, lo que impone un desafío significativo a los científicos y proveedores de atención médica que tratan con pacientes con enfermedades cervicales. Ninguna de las soluciones existentes puede detectar diversas enfermedades cervicales, lo que llevaría a los expertos a detectar con precisión las primeras etapas de las enfermedades cervicales debido a las limitaciones del equipo y al tipo de pruebas de detección médica utilizadas en esas soluciones. Se han desarrollado nuevas tecnologías para permitir una detección más rápida y sensible del cáncer de cuello uterino utilizando algoritmos de aprendizaje profundo. Este estudio propone un modelo predictivo utilizando algoritmos de aprendizaje profundo (DL) e imágenes de colposcopia para detectar diferentes clases de enfermedades cervicales, incluidas las diferentes etapas de las enfermedades cervicales. Esto ofrece al sector médico una oportunidad para el diagnóstico temprano de enfermedades cervicales. En esta investigación se realizaron cuatro rondas de experimentos para evaluar el rendimiento del modelo propuesto. De acuerdo con los resultados, el modelo propuesto puede detectar clases (etapas) de enfermedades cervicales mientras obtiene una alta precisión. La tasa de precisión en la etapa de entrenamiento fue superior al 92%, y la precisión más alta alcanzada fue del 99% en el tercer experimento. Además, en esta ronda del experimento, el modelo podría lograr los resultados de rendimiento más altos en precisión y sensibilidad con valores de 98% y 98%, respectivamente. En particular, el tercer y último experimento logró un valor de especificidad perfecto de 1.

Files

10148990.pdf.pdf

Files (245 Bytes)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:5b48d15693a20f13f235a55d6d7f07b0
245 Bytes
Preview Download

Additional details

Additional titles

Translated title (Arabic)
نموذج تنبؤي للكشف عن أمراض عنق الرحم باستخدام خوارزميات الشبكة العصبية الالتفافية وصور التنظير المهبلي الرقمية
Translated title (French)
Un modèle prédictif pour détecter les maladies du col de l'utérus à l'aide d'algorithmes de réseau neuronal convolutionnel et d'images de colposcopie numérique
Translated title (Spanish)
Un modelo predictivo para detectar enfermedades cervicales utilizando algoritmos de redes neuronales convolucionales e imágenes de colposcopia digital

Identifiers

Other
https://openalex.org/W4380366324
DOI
10.1109/access.2023.3285409

Is supplement to
https://openalex.org/W4252835526 (Other)
https://openalex.org/W3143405422 (Other)
https://openalex.org/W2758888915 (Other)
https://openalex.org/W2757972151 (Other)
https://openalex.org/W2492526875 (Other)
https://openalex.org/W2399007019 (Other)
https://openalex.org/W2367626978 (Other)
https://openalex.org/W2155511500 (Other)
https://openalex.org/W2090256142 (Other)
https://openalex.org/W1975616345 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Malaysia

References

  • https://openalex.org/W2163605009
  • https://openalex.org/W2523506545
  • https://openalex.org/W2567841968
  • https://openalex.org/W2728249558
  • https://openalex.org/W2809167334
  • https://openalex.org/W2886848602
  • https://openalex.org/W2890606532
  • https://openalex.org/W2896752796
  • https://openalex.org/W2901208058
  • https://openalex.org/W2906936950
  • https://openalex.org/W2908716024
  • https://openalex.org/W2909431490
  • https://openalex.org/W2944774645
  • https://openalex.org/W2958089299
  • https://openalex.org/W2965836539
  • https://openalex.org/W2970055610
  • https://openalex.org/W2972911304
  • https://openalex.org/W2974328964
  • https://openalex.org/W2976398475
  • https://openalex.org/W2978264737
  • https://openalex.org/W2991221005
  • https://openalex.org/W2994722311
  • https://openalex.org/W3157477640
  • https://openalex.org/W3158634817
  • https://openalex.org/W3193266809
  • https://openalex.org/W3197217317
  • https://openalex.org/W4200395890
  • https://openalex.org/W4285024807
  • https://openalex.org/W4291367344
  • https://openalex.org/W4294121159
  • https://openalex.org/W4309002538
  • https://openalex.org/W4315619246
  • https://openalex.org/W4315630793