Explainable artificial intelligence for detecting lung cancer

• Autorzy: Kumar R S Vinod , A R Bushara , K M Abubeker , K M Smitha , M A Abini , Mammoo Jubaira , Paul Bijesh

Identyfikatory

DOI

10.35784/iapgos.6626

Warianty tytułu

PL

Wyjaśnialna sztuczna inteligencja do wykrywania raka płuc

• Języki publikacji: EN

Abstrakty

EN

Early and reliable diagnosis of lung cancer is a major medical objective. This study makes a groundbreaking contribution to the field of smart healthcare by employing the capabilities of Explainable Artificial Intelligence (AI) and the Grad-CAM (Gradient-weighted Class Activation Mapping) visualization technique to improve lung cancer detection. The LIDC-IDRI dataset is used in the study to create a deep-learning model that can distinguish between benign and malignant lung diseases based on image features. This study demonstrates the importance of the Grad-CAM technique by highlighting the parts of medical images that have the most impact on the diagnostic choices made by the model. This method is in line with the developing normsof smart healthcare, where trust and transparency are of the utmost importance because it prioritizes classification accuracy and interpretability.The convincing findings of the study show that the model is highly accurate at distinguishing between benign and malignant instances. The model's diagnostic insights are equally impressive, but giving vivid and context-rich explanations really sets it apart. The model's usefulness in the actual worldis boosted by incorporating the LIDC-IDRI dataset, which guarantees the diversity and authenticity of the data. This study provides a benchmarkfor progress in the field of smart healthcare since it balances cutting-edge AI capability with explainability. The results of this study could enhance patient outcomes by lowering mortality rates through earlier diagnosis and streamlining clinical processes. To fight lung cancer, AI-driven precisionand interpretability offer a viable path through healthcare's complexity.

PL

Wczesna i wiarygodna diagnoza raka płuc jest głównym celem medycznym. Niniejsze badanie stanowi przełomowy wkład w dziedzinę inteligentnej opieki zdrowotnej poprzez wykorzystanie możliwości sztucznej inteligencji (AI) i techniki wizualizacji Grad-CAM (Gradient-weighted Class Activation Mapping) w celu poprawy wykrywania raka płuc. W badaniu wykorzystano zbiór danych LIDC-IDRI do stworzenia modelu głębokiego uczenia, który może rozróżniać łagodne i złośliwe choroby płuc na podstawie cech obrazu. Badanie to pokazuje znaczenie techniki Grad-CAM poprzez podkreślenie części obrazów medycznych, które mają największy wpływ na wybory diagnostyczne dokonywane przez model. Metoda ta jest zgodna z rozwijającymi się normami inteligentnej opieki zdrowotnej, w której zaufanie i przejrzystość mają ogromne znaczenie, ponieważ priorytetowo traktuje dokładność klasyfikacji i możliwość interpretacji. Przekonujące wyniki badania pokazują, że model jest bardzo dokładny w rozróżnianiu łagodnych i złośliwych przypadków. Wyniki diagnostyczne modelu są równie imponujące, ale żywe i bogate w kontekst wyjaśnienia naprawdę go wyróżniają. Przydatność modelu w rzeczywistym świecie jest zwiększona dzięki włączeniu zbioru danych LIDC-IDRI, który gwarantuje różnorodność i autentyczność danych. Badanieto stanowi punkt odniesienia dla postępu w dziedzinie inteligentnej opieki zdrowotnej, ponieważ równoważy najnowocześniejsze możliwości sztucznej inteligencji z możliwością wyjaśnienia. Wyniki tego badania mogą poprawić wyniki pacjentów poprzez obniżenie wskaźników śmiertelności dzięki wcześniejszej diagnozie i usprawnieniu procesów klinicznych. Aby walczyć z rakiem płuc, precyzja i interpretowalność oparta na sztucznej inteligencji oferują realną drogę przez złożoność opieki zdrowotnej.

Słowa kluczowe

EN

lung cancer; explainable AI; smart health care; deep learning

PL

rak płuc; wyjaśnialna sztuczna inteligencja; inteligentna opieka zdrowotna; głębokie uczenie

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2025
• Tom: T. 15, nr 1
• Strony: 125--130
• Opis fizyczny: Bibliogr. 28 poz., rys., wykr.

Twórcy

autor

Kumar R S Vinod

• Noorul Islam Center for Higher Education, Department of Electronics and Communication Engineering, Tamil Nadu, India

• https://orcid.org/0000-0001-9727-8110

autor

A R Bushara

• Noorul Islam Center for Higher Education, Department of Electronics and Communication Engineering, Tamil Nadu, India
• KMEA Engineering College, Department of Electronics and Communication Engineering, Kerala, India

• https://orcid.org/0000-0001-5849-3416

autor

K M Abubeker

• Amal Jyothi College of Engineering (Autonomous), Department of Electronics and Communication Engineering, Kerala, India

• https://orcid.org/0000-0001-7646-0781

autor

K M Smitha

• KMEA Engineering College, Department of Electronics and Communication Engineering, Kerala, India

• https://orcid.org/0009-0000-9885-049X

autor

M A Abini

• KMEA Engineering College, Department of Electronics and Communication Engineering, Kerala, India

• https://orcid.org/0009-0005-2419-7770

autor

Mammoo Jubaira

• KMEA Engineering College, Department of Electronics and Communication Engineering, Kerala, India

• https://orcid.org/0009-0008-7389-3256+

autor

Paul Bijesh

• KMEA Engineering College, Department of Mechanical Engineering, Kerala, India

• https://orcid.org/0009-0000-8763-0192+

Bibliografia

• [1] Alowais S. A. et al.: Revolutionizing healthcare: The role of artificial intelligence in clinical practice. BMC Medical Education 23(1), 2023, 689.
• [2] AR B. et al.: LCD-capsule network for the detection and classification of lung cancer on computed tomography images. Multimedia Tools and Applications 82(24), 2023, 37573–37592.
• [3] Azzi S. et al.: Healthcare applications of artificial intelligence and analytics: A review and proposed framework. Applied Sciences 10(18), 2020, 6553.
• [4] Bakchy S. Ch. et al.: A lightweight CNN model for efficient lung cancer detection and Grad-CAM visualization. International Conference on Information and Communication Technology for Sustainable Development (ICICT4SD), IEEE, 2023, 254–258.
• [5] Cai Ch. et al.: Improved deep convolutional neural networks using chimp optimization algorithm for COVID-19 diagnosis from X-ray images. Expert Systems with Applications 213, 2023, 119206.
• [6] Chassagnon G. et al.: Artificial intelligence in lung cancer: Current applications and perspectives. Japanese Journal of Radiology 41(3), 2023, 235–244.
• [7] Chattu V. K.: A review of artificial intelligence, big data, and blockchain technology applications in medicine and global health. Big Data and Cognitive Computing 5(3), 2021, 41.
• [8] Currie G. et al.: Machine learning and deep learning in medical imaging: Intelligent imaging. Journal of Medical Imaging and Radiation Sciences 50(4), 2019, 477–487.
• [9] Dwivedi K. et al.: An explainable AI-driven biomarker discovery framework for non-small cell lung cancer classification. Computers in Biology and Medicine 153, 2023, 106544.
• [10] Grechkin B. V. et al.: VGG convolutional neural network classification of hyperspectral images of skin neoplasms. Journal of Biomedical Photonics & Engineering 9(4), 2023, 040304.
• [11] Kobylińska K. et al.: Explainable machine learning for lung cancer screening models. Applied Sciences 12(4), 2022, 1926.
• [12] Lakshmanaprabu S. K. et al.: Optimal deep learning model for classification of lung cancer on CT images. Future Generation Computer Systems 92, 2019, 374–382.
• [13] Leiter A., Veluswamy R. R., Wisnivesky J. P..: The global burden of lung cancer: Current status and future trends. Nature Reviews Clinical Oncology 20(9), 2023, 624–639.
• [14] Li C. et al.: Advances in lung cancer screening and early detection. Cancer Biology & Medicine 19(5), 2022, 591.
• [15] Liu Y. et al.: Radiologic features of small pulmonary nodules and lung cancer risk in the National Lung Screening Trial: A nested case-control study. Radiology 286(1), 2018, 298–306.
• [16] Mummaneni S. et al.: A comprehensive study: Intracranial aneurysm detection via VGG16-DenseNet hybrid deep learning on DSA images. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska 14(1), 2024, 105–110.
• [17] Pal M., Mistry S., De D.: Interpretability approaches of explainable AI in analyzing features for lung cancer detection. Frontiers of ICT in Healthcare: Proceedings of EAIT 2022, Springer Nature Singapore, 2023, 277–287.
• [18] Rahman A. et al.: NeuroXAI++: An efficient X-AI intensive brain cancer detection and localization. International Conference on Next-Generation Computing, IoT and Machine Learning (NCIM), IEEE, 2023, 1–6.
• [19] Rasool S. et al.: Harnessing predictive power: Exploring the crucial role of machine learning in early disease detection. JURIHUM: Jurnal Inovasi dan Humaniora 1(2), 2023, 302–315.
• [20] Saman H. et al.: Non-invasive biomarkers for early lung cancer detection. Cancers 14(23), 2022, 5782.
• [21] Shafi I. et al.: An effective method for lung cancer diagnosis from CT scan using deep learning-based support vector network. Cancers 14(21), 2022, 5457.
• [22] Shamshirband S. et al.: A review on deep learning approaches in healthcare systems: Taxonomies, challenges, and open issues. Journal of Biomedical Informatics 113, 2021, 103627.
• [23] Shakeel P. M., Burhanuddin M. A., Desa M. I.: Automatic lung cancer detection from CT image using improved deep neural network and ensemble classifier. Neural Computing and Applications 34(15), 2022, 1–14.
• [24] Shimazaki A. et al.: Deep learning-based algorithm for lung cancer detection on chest radiographs using the segmentation method. Scientific Reports 12(1), 2022, 727.
• [25] Vliegenthart R. et al.: Innovations in thoracic imaging: CT, radiomics, AI, and x‐ray velocimetry. Respirology 27(10), 2022, 818–833.
• [26] Xu K. et al.: AI body composition in lung cancer screening: Added value beyond lung cancer detection. Radiology 308(1), 2023, e222937.
• [27] Zhang C. et al.: Toward an expert level of lung cancer detection and classification using a deep convolutional neural network. The Oncologist 24(9), 2019, 1159–1165.
• [28] Zhang J. et al.: Cyber resilience in healthcare digital twin on lung cancer. IEEE Access 8, 2020, 201900–201913.