In dem vorgeschlagenen intelligenten System für die multidisziplinäre Krebserkrankungsvorhersage wird aufgezeigt, wie adaptives fäderiertes Lernen in dem vorgeschlagenen intelligenten System für die transdisziplinäre Krebserkrankungsvorhersage in der Gesundheitsindustrie 5.0 verwendet wird. Die Stufen des vorgeschlagenen intelligenten Systems mit einem adaptiven fäderierten maschinellen Lernmodell für die prädiktive Patientenvorhersage von multidisziplinären Krebserkrankungen in intelligenten Gesundheitssystemen lauten wie folgt: In Abb. 1 wird das vorgeschlagene Modell gezeigt. Das vorgeschlagene Modell ist in vier (04) Phasen unterteilt; (1) Datensynchronisierungsschicht, (2) Vorverarbeitungsschicht, (3) Schulungs- und Testschicht und (4) Validierungsschicht. In der ersten Phase des vorgeschlagenen Modells wurden drei Datensätze von Krebserkrankungen mit den Namen (i) Gehirnkrebs, (ii) Nierenkrebs und (iii) Brustkrebs berücksichtigt. Der Gehirnkrebsdatensatz ist weiter in drei Unterarten von Krebserkrankungen unterteilt. Der Nierenkrebsdatensatz hat zwei Unterarten und der Brustkrebsdatensatz hat auch zwei Unterarten. Alle Datensätze umfassen insgesamt 35.000 Bilder und 5000 Bilder in jeder Klasse.
In der Vorverarbeitungsschicht wird der fusionierte Datensatz für die weitere Verwendung bei der Krankheitsklassifizierung im vorgeschlagenen intelligenten System verarbeitet. Eine Sammlung von Verfahren und Techniken, die auf digitalen Bildern vor der weiteren Verarbeitung oder Analyse angewendet wird, wird als Bildvorverarbeitung bezeichnet. Die Steigerung der Bildqualität ist das Hauptziel der Bildvorverarbeitung, da sie die Extraktion wertvoller Informationen durch Algorithmen erleichtert. Verschiedene Methoden können einzeln oder in Kombination angewendet werden, basierend auf den spezifischen Anforderungen der Bildverarbeitungsaufgabe. Die Verwendung der notwendigen Techniken kann die Qualität und Nützlichkeit des Bildes für weitere Analysen signifikant erhöhen, was zu genaueren und verlässlicheren Ergebnissen führt.
Im zweiten Schritt haben wir alle Bilder von RGB in Graustufen umgewandelt, um die Rechenkosten zu minimieren. Im dritten Schritt haben wir die Bilder neu dimensioniert und den gesamten fusionierten Datensatz für die weitere Schulung und das Training dieses Datensatzes glatt gemacht. Nach Abschluss dieser drei (03) Schritte in den Vorverarbeitungsschichten ist der fusionierte Datensatz für die Experimente bereit. In der Schulungs- und Testschicht wird eine fäderierte Lernmethodik für das Training und Testen des Datensatzes zur Klassifizierung multidisziplinärer Krebserkrankungen angenommen. In unserem vorgeschlagenen adaptiven fäderierten Lernen werden die Datensätze gemäß der im Abschnitt „Einführung“ diskutierten fäderierten Lernmethodik geschult. Alle Lokalmodelle werden mit einem globalen Modell ausgetauscht, um die Synchronisation sicherzustellen und den Genauigkeitsgrad jedes Lokalmodells mit dem globalen Modell zu gleichen. In diesem vorgeschlagenen adaptiven fäderierten Lernansatz haben wir drei Krankenhäuser mit jeweils zwei (02) installierten Geräten berücksichtigt, die Daten zu jeder Krebserkrankung sammeln.
Am Ende des Schulungs- und Testprozesses wird das vereinheitlichte adaptive globale Modell des vorgeschlagenen intelligenten Systems zur Validierung auf die Cloud hochgeladen. In der letzten Phase des vorgeschlagenen Modells wird eine Validierungsschicht für die Validierung von Daten neuer Patienten auf dem trainierten adaptiven Modell präsentiert. In dieser Schicht werden Daten von intelligenten Geräten zur Laufzeit empfangen, an eine Rohdatenbank gesendet und vorverarbeitet. Nach der Vorverarbeitung werden die vorverarbeiteten Bilddaten an ein trainiertes adaptives Modell zur Klassifikation multidisziplinärer Krebserkrankungen gesendet. Wenn eine multidisziplinäre Krebserkrankung vorliegt, gibt unser vorgeschlagenes intelligentes System das Label einer Krebsart im Körper des Patienten an und empfiehlt dem Patienten, sich mit einem spezialisierten Arzt zu beraten, ansonsten wird es verworfen.