VGG16 CLASSIFICATION OF MICROSATELLITE INSTABILITY IN COLORECTAL CANCER BY DEEP LEARNING

Recently, with the development of technology, deep learning method, which is a branch of artificial intelligence, has become increasingly widespread in the field of health, with its use in the diagnosis, classification and determination of appropriate treatment. This study, which was carried out with this method, is important in determining the most appropriate treatment option for the patient, such as early estimation of microsatellite instability (MSI) in colorectal cancer patients, determination of appropriate treatment, reduction of undesirable side effects, and prevention of time and cost for the disease. Method: In this study, the VGG16 model was developed using deep learning techniques, which are convolutional neural network and transfer learning methods, and the classification of microsatellite instability was provided. Using the colorectal cancer hematoxylin and eosin (H&E) stained 150000 histopathological image dataset, which is open access via the Kaggle website, 80% was reserved for training and 20% was reserved for testing. With these separated data sets, the training of the deep learning-based VGG16 model was carried out using high graphics processing units (GPU) over Google Colab, a free cloud environment. Results: For the training of the model, the epoch, learning rate, momentum coefficient and group size hyperparameters were determined as 10, 0.00001, 0.9 and 64, respectively, to classify microsatellite instability in colorectal cancer. With the proposed model VGG16, classification performance accuracy 89.4%, precision 92.9%, sensitivity 85.3% and AUC 89.4% were obtained. Conclusion: In line with these results, it is believed that it will help pathologists to make computer-aided decisions in the clinical setting.

Keywords: Deep Learning, Colorectal Cancer, Microsatellite Instability, Transfer Learning

Doi:10.17366/uhmfd.2022.18.6

Son zamanlarda teknolojinin gelişmesiyle birlikte yapay zekanın bir dalı olan derin öğrenme yöntemi, sağlık alanında hastalıkların teşhisi, sınıflandırılması ve uygun tedavinin belirlenmesinde oldukça büyük etkiler oluşturarak kullanımı giderek yaygınlaşmaktadır. Amaç: Bu yöntem ile yola çıkarak gerçekleştirilen bu çalışma ile kolorektal kanser hastalarında mikrosatellite instabilitenin (MSI) erken tahmin edilmesi, uygun tedavinin belirlenmesi, istenmeyen yan etkilerin azaltılabilmesi, hastalık için zaman ve maliyetin önlenmesi gibi hasta için en uygun tedavi seçeneğinin belirlenmesinde önem taşımaktadır. Yöntem: Bu çalışmada, evrişimli sinir ağı ve transfer öğrenme yöntemleri olan derin öğrenme teknikleri kullanılarak VGG16 modeli geliştirilmiştir ve mikrosatellite instabilitenin sınıflandırılması sağlanmıştır. Kaggle internet sitesi üzerinden açık erişim olan kolorektal kanser hematoksilen ve eozin (H&E) lekeli 150000 histopatolojik görüntü veri seti kullanılarak %80 eğitim için ayrılırken %20’si ise test için ayrılmıştır. Ayrılan bu veri setleriyle derin öğrenme tabanlı VGG16 modelin eğitimleri ücretsiz bulut ortamı olan Google Colab üzerinden yüksek grafik işlem birimleri (GPU) kullanılarak gerçekleştirilmiştir. Bulgular: Modelin eğitimi için epoch, öğrenme oranı, momentum katsayısı ve grup boyut hiperparametreleri sırasıyla 10, 0.00001, 0.9 ve 64 olarak belirlenerek kolorektal kanserde mikrosatellite instabilitenin sınıflandırılması geçekleştirilmiştir. Önerilen model VGG16 ile sınıflandırma başarım performans doğruluk %89.4, kesinlik %92.9, duyarlılık %85.3 ve AUC %89.4 değerleri elde edilmiştir. Sonuç: Bu sonuçlar doğrultusunda, patologların klinik ortamında bilgisayar destekli karar vermelerine yardımcı olacağına inanılmaktadır.

Anahtar Kelimeler: Derin Öğrenme, Kolorektal Kanser, Mikrosatellite İnstabilite, Transfer Öğrenme

Doi:10.17366/uhmfd.2022.18.6