利用物联网（IoT）中的组织病理学图像进行乳腺癌诊断的混合深度学习方法

《Computational Biology and Chemistry》：Hybrid deep learning for the diagnosis of breast cancer detection using histopathological images in IoT

　　•最初，乳腺癌的组织病理学图像是通过物联网（IoT）节点收集的
•输入的癌症组织病理学图像使用AMF进行预处理
•预处理完成后，利用LinkNet对血液细胞进行分割
•随后，通过Dense Maxout网络（DenseMaxNet）检测乳腺癌

**引言**
物联网（IoT）网络被广泛应用于各种领域，包括身体传感器网络、车联网、智能家居、电子医疗、智能电网、医学和医疗保健。由于其能够通过整合基础设施资源为用户提供大量数据，IoT通常被用于开发医疗系统（Sankaran和Sridhar，2015）。在医疗生态系统中，IoT（也称为Healthcare of IoT，HIoT）发挥着重要作用。在当今世界，医疗物联网（IoMT）被视为一种新兴的网络模型，其中智能系统用于交换和收集大量患者数据（Peta和Koppu，2022）。在IoT中，路由起着重要作用，因为IoT系统中的节点充当路由器和主机，将数据传递给网关。针对传感器网络引入了多种路由协议，并且这些协议适用于IoT环境。数据从源节点传输到目标节点的过程中会影响功耗（Sankaran和Sridhar，2015）。

癌症是由于人体内细胞异常形成而引起的，并且会扩散到受影响区域以外的其他身体部位（Ogundokun等人，2022；Meenakshisundaram和Sajiv，2025）。据预测，在未来二十年里，癌症病例将从1400万增加到2200万，并且每年可能持续增长（MPH等人，2024）。此外，研究发现20%的癌症病例是由多种因素引起的，如饮酒、缺乏运动、超重等（Peta和Koppu，2022）。乳腺癌可以通过多种先进的生物医学成像方法进行诊断，例如组织病理学图像、热成像、超声、活检、乳腺X光摄影和磁共振成像（MRI）（Peta和Koppu，2022；Vanitha等人，2022）。然而，使用组织病理学图像检测癌症是一项耗时且具有挑战性的任务，需要高度熟练的专业人员。此外，病理学家的经验水平最终会影响分析结果。因此，计算机辅助的组织病理学图像分析在检测和预测乳腺癌方面被认为更为重要（Xie等人，2019）。

计算机辅助诊断（CAD）系统被设计用于识别乳腺X光图像中的微分类，从而自动对病变严重程度进行分类。在乳房中发现的异常类型（良性或恶性）由微分类的严重程度表示（S. C和Rajaguru，2022；Sajiv和Meenakshisundaram，2025）。已经进行了多项研究来检测乳腺癌，机器学习（ML）被应用于乳腺癌的分类，包括朴素贝叶斯（NB）、逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）和决策树（DT）（Ogundokun等人，2022）。在计算机视觉和图像处理任务中，深度学习（DL）方法获得了更多关注并且取得了更好的性能，因此许多研究人员使用这些方法来识别乳腺癌（Meenakshisundaram和Sajiv，2025；Wahab等人，2017；Peta和Koppu，2022）。

乳腺癌继续在全球范围内导致大量女性死亡，这突显了有效的早期检测策略的必要性。组织病理学图像分析被广泛用于准确诊断；然而，手动评估仍然具有挑战性，因为它既耗时又依赖于熟练的专业人员。随着IoT的发展，实时数据收集和远程医疗监测已成为可能，使得诊断更加快速和便捷。因此，迫切需要一个结合了精确疾病检测和高效IoT通信的智能医疗系统，以支持及时的临床决策。尽管乳腺癌检测系统有所进步，但在实时IoT环境中实现可靠性能仍然是一个挑战，主要是因为数据传输效率低下、能耗高以及通信延迟增加。这些挑战表明，需要将基于图像的乳腺癌检测与高效的IoT路由相结合，以提高诊断性能和通信效率。

早期的乳腺癌检测方法主要集中在提高分类准确性上，但往往忽视了在IoT环境中的实时部署。许多方法没有结合高效的路由机制，导致能耗高和网络延迟。此外，一些模型没有设计为处理图像分析与基于IoT的医疗通信系统的端到端集成，限制了它们的实际应用性。现有的基于IoT的医疗框架主要集中在患者监测和数据传输上，而对在资源有限的IoT网络中集成高效的基于图像的乳腺癌诊断的关注有限。此外，现有的方法通常分别处理路由和疾病检测，这可能会降低系统在现实世界应用中的整体性能。观察到的这些限制表明需要一个集成解决方案，将准确的乳腺癌图像分析与能效高且延迟低的IoT通信相结合。具体来说，研究空白在于在一个统一的基于IoT的框架内将基于优化的路由策略与基于深度学习的乳腺癌检测模型结合起来。这种集成提高了诊断信息的及时可用性，并增强了自动化乳腺癌检测在远程和连接医疗环境中的实际应用性。在所提出的框架中，JEVO解决了路由和通信需求，而DenseMaxNet则从组织病理学图像中进行乳腺癌分类。

**本研究的目标**：
- 通过学习具有区分性的图像特征，开发DenseMaxNet以准确进行乳腺癌分类。
- 通过使用JEVO进行路由，实现组织病理学图像在IoT网络中的高效传输，以最小化能耗和端到端通信延迟。
- 通过应用AMF进行预处理、使用LinkNet对相关区域进行分割以及进行特征提取，以提高组织病理学图像的质量和表示。
- 通过使用基于JEVO的路由策略优化数据传输，提高网络性能，增强吞吐量和网络寿命。
- 通过结合基于JEVO的图像传输和基于DenseMaxNet的分类，建立一个集成的基于IoT的乳腺癌检测框架，以支持可靠和及时的远程诊断。
- 这些目标通过整合所提出的组件，共同解决了基于图像的诊断性能和IoT通信效率的问题。

**提出的JEVO用于高效IoT路由：**
提出了一种新的路由方法JEVO，它结合了能量谷优化（EVO）和Jaya算法。路由过程由基于距离、能量、信任和延迟的适应度函数指导。这种方法通过减少能耗和端到端延迟来提高路由效率，同时增强网络寿命和吞吐量。

**开发的DenseMaxNet用于准确乳腺癌检测：**
通过结合DenseNet和Deep Maxout Network（DMN），设计了一个有效的深度学习模型DenseMaxNet。该模型提高了特征学习和分类能力，从而提高了检测准确性、敏感性和特异性，并减少了组织病理学图像分析中的误判。

**集成的基于IoT的检测框架：**
通过结合基于JEVO的路由和基于DenseMaxNet的分类，开发了一个统一的框架。这种集成能够在单个框架内协调组织病理学图像的传输和分析，旨在支持可靠和及时的远程诊断。

**研究的其余部分安排如下：**
第2节介绍了与IoT中的乳腺癌检测相关的先前系统综述；第3节给出了用于疾病检测的IoT系统模型；第4节讨论了所引入技术的设计和方法；第5节探讨了实验设置并检验了所设计方法的性能；最后一节第6节总结了本研究的结果和未来发展方向。

**总体而言，本研究旨在开发一个基于IoT的乳腺癌检测框架，以确保准确诊断和高效的数据传输，并支持其在实时医疗应用中的实施。**