인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
Colorectal cancer is a leading cause of cancer-related mortality, and accurate analysis of histopathological images is critical for early diagnosis and improved patient outcomes. This study proposes and systematically evaluates four purpose-built lightweight convolutional neural network (CNN) variants (Lite-V0, Lite-V1, Lite-V2, and Lite-V4) for binary classification of colon histopathology images into Colon_Adenocarcinoma and Colon_Benign_Tissue. Experiments were conducted on a balanced dataset (24,000 images) with fixed train/validation/test splits and comprehensive evaluation using accuracy and macro-F1, supported by confusion matrices and ROC/precision–recall analyses. Among all variants, Lite-V2 achieved the best validation performance (macro-F1 $$\approx$$ 0.999), while remaining highly compact (1.53 MB; 127,682 parameters), indicating a favorable accuracy–efficiency trade-off for deployment-oriented diagnostic support. On the independent test set, however, Lite-V2 exhibited a marked generalization drop, achieving approximately 50% accuracy and macro-F1 = 0.33, suggesting a domain-shift effect between validation and test samples. These findings demonstrate that lightweight CNNs can achieve near-perfect internal validation performance for colon histopathology classification, but robust cross-domain generalization remains essential; future work will focus on domain adaptation and stain-robust training strategies to improve reliability on unseen clinical data.
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
