பெண்ணோயியல் & மகப்பேறியல்
திறந்த அணுகல்

சுருக்கம்

கர்ப்பப்பை வாய்ப் புற்றுநோயின் செயற்கை நுண்ணறிவு அடிப்படையிலான ஸ்கிரீனிங்கிற்கான டிஜிட்டல் மற்றும் அளவீடு செய்யப்பட்ட கருப்பை வாய் செல்களின் நாவல் பெஞ்ச்மார்க் தரவுத்தளம்

அபித் சர்வார், ஜோத்ஸ்னா சூரி, வினோத் சர்மா மற்றும் மெஹ்பாப் அலி

குறிக்கோள்: இந்த ஆராய்ச்சிப் பணியின் முதன்மை நோக்கம், கர்ப்பப்பை வாய்ப் புற்றுநோயைத் திரையிடுவதற்காக செய்யப்படும் பாப்பானிகோலாவ் ஸ்மியர் சோதனையின் ஸ்லைடுகளில் இருந்து பெறப்பட்ட டிஜிட்டல் மற்றும் அளவீடு செய்யப்பட்ட, கர்ப்பப்பை வாய் செல்களின் புதிய தரநிலை தரவுத்தளத்தை உருவாக்குவதாகும். இந்த தரவுத்தளமானது பாபனிகோலாவ் ஸ்மியர் படங்களின் தன்மை மற்றும் வகைப்படுத்தல் மூலம் கர்ப்பப்பை வாய்ப் புற்றுநோயை முன்கணிப்பதற்கான பல்வேறு செயற்கை நுண்ணறிவு அடிப்படையிலான அமைப்புகளை வடிவமைத்தல், மேம்படுத்துதல், பயிற்சி செய்தல், சோதனை செய்தல் மற்றும் சரிபார்த்தல் ஆகியவற்றுக்கான சாத்தியமான கருவியாக செயல்படும். தரவுத்தளமானது பல்வேறு இயந்திர கற்றல் மற்றும் பட செயலாக்க வழிமுறைகளின் வேலை திறன்களின் ஒப்பீட்டு பகுப்பாய்வுக்காக மற்ற ஆராய்ச்சியாளர்களால் பயன்படுத்தப்படலாம். தொடர்புடைய ஆசிரியருக்கு கோரிக்கையை அனுப்புவதன் மூலம் தரவுத்தளத்தைப் பெறலாம். ஒரு பணக்கார இயந்திர கற்றல் தரவுத்தளத்தை உருவாக்குவதைத் தவிர, பாபனிகோலாவ் ஸ்மியர் படங்களின் தானியங்கி பகுப்பாய்வு மூலம் கர்ப்பப்பை வாய்ப் புற்றுநோயைத் திறம்பட திரையிடுவதற்கான ஒரு புதிய செயற்கை நுண்ணறிவு அடிப்படையிலான கலப்பின குழும நுட்பத்தையும் நாங்கள் வழங்கியுள்ளோம்.

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.

முடிவுகள்: இந்த வேலையில் தயாரிக்கப்பட்ட டிஜிட்டல் தரவுத்தளத்தின் செயல்திறன் மற்றும் சரியான தன்மையை மதிப்பிடுவதற்காக, பதினைந்து வெவ்வேறு செயற்கை நுண்ணறிவு அடிப்படையிலான இயந்திர கற்றல் அல்காரிதம்களை பயிற்சி, சோதனை மற்றும் சரிபார்ப்பதற்காக ஆசிரியர்கள் இந்தத் தரவுத்தளத்தை செயல்படுத்தினர். இந்த தரவுத்தளத்துடன் பயிற்சியளிக்கப்பட்ட அனைத்து வழிமுறைகளும் கர்ப்பப்பை வாய்ப் புற்றுநோயை பரிசோதிப்பதில் பாராட்டத்தக்க செயல்திறனை வழங்கின. இரண்டு-வகுப்பு பிரச்சனைக்கு, டிஜிட்டல் தரவுத்தளத்துடன் பயிற்சியளிக்கப்பட்ட அனைத்து அல்காரிதம்களும் சுமார் 93-95% வரம்பில் செயல்திறனைக் காட்டுகின்றன, அதே நேரத்தில் பல வகுப்பு சிக்கல் அல்காரிதம்கள் 69-78% வரம்பில் செயல்திறனை வெளிப்படுத்தின. இந்த வேலையில் தயாரிக்கப்பட்ட நாவல் டிஜிட்டல் தரவுத்தளமானது கர்ப்பப்பை வாய்ப் புற்றுநோயின் தானியங்கு ஸ்கிரீனிங்கிற்கான புதிய இயந்திர கற்றல் அடிப்படையிலான நுட்பங்களை உருவாக்குவதற்கு திறமையாகப் பயன்படுத்தப்படலாம் என்று முடிவுகள் குறிப்பிடுகின்றன. பாப்-ஸ்மியர் படங்களை வகைப்படுத்துவதற்கான ஒரு திறமையான முறையாக ஹைப்ரிட் குழும நுட்பம் உள்ளது என்றும், எனவே கர்ப்பப்பை வாய்ப் புற்றுநோயைக் கண்டறிவதற்கு திறம்பட பயன்படுத்தப்படலாம் என்றும் முடிவுகள் குறிப்பிடுகின்றன. செயல்படுத்தப்பட்ட அனைத்து வழிமுறைகளிலும், கலப்பின குழும அணுகுமுறையானது 2-வகுப்பு பிரச்சனைக்கு சுமார் 98% மற்றும் 7-வகுப்பு பிரச்சனைக்கு சுமார் 86% செயல்திறனை வெளிப்படுத்தியது. அனைத்து தனியான வகைப்படுத்திகளுடன் ஒப்பிடும் போது முடிவுகள் இரண்டு வகுப்பு மற்றும் பல வகுப்பு சிக்கல்களுக்கு கணிசமாக சிறப்பாக இருந்தன.