A Comparative Analysis of Deep Learning and Traditional Machine Learning Approaches for Lung Cancer Detection / Yacine Amarouche

Public ISBD Titre : A Comparative Analysis of Deep Learning and Traditional Machine Learning Approaches for Lung Cancer Detection Type de document : document électronique Auteurs : Yacine Amarouche ; Ishak Kouachi, Auteur ; Ferradji,Mohamed Abderraouf, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (45 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Lung cancer Histopathology Machine Learning Deep Learning Convolutional Neural Networks Hybrid Model Diagnosis Classification Index. décimale : 004 Informatique Résumé : In this work, a hybrid method is proposed for lung cancer detection using histopathological images from the LC25000 dataset. This method adopts MobileNetV3Small for efficient deep feature extraction, Principal Component Analysis (PCA) for dimensionality reduction, and a Support Vector Machine (SVM) for classification. The model achieved a high accuracy of 99.87%, along with excellent precision, recall, and F1-score values. Due to its low execution time, the proposed method is particularly well suited for real-world clinical applications. This research contributes to the field of medical diagnosis supported by advanced artificial intelligence technologies by offering a powerful tool for accurate lung cancer detection. Note de contenu : Sommaire List of Tables ii General Introduction 1 1 Foundations of Artificial Intelligence 2 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2 What is AI? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2.1 Definition 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2.2 Definition 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.3 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.3.2 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . 3 1.4 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.2 Deep Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.3 Convolutional Neural Networks . . . . . . . . . . . . . . . . . . . . 7 1.5 Data Preprocessing Methods . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.5.1 Data Cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.5.2 Feature scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.5.3 Data Augmentation . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.5.4 Dimensionality Reduction . . . . . . . . . . . . . . . . . . . . . . . 10 1.5.5 Preprocessing in deep learning and machine learning . . . . . . . . 10 1.6 Main practices and Models evaluation . . . . . . . . . . . . . . . . . . . . 11 1.6.1 Data splitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6.2 Cross-Validation (CV) . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6.3 k-fold Cross-Validation . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6.4 hold-out Cross-Validation . . . . . . . . . . . . . . . . . . . . . . . 11 1.6.5 Models Parameters and Hyper-Parameters . . . . . . . . . . . . . . 12 1.6.6 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.7 Machine learning and deep learning difficulties in healthcare . . . . . . . . 12 1.7.1 Data gathering and preparation . . . . . . . . . . . . . . . . . . . . 12 1.7.2 Domain complexity . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.3 Interpretable and Explainable Models . . . . . . . . . . . . . . . . 13 1.7.4 Technical & Infrastructure challenges . . . . . . . . . . . . . . . . . 13 1.7.5 Ethical problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2 Towards Intelligent Diagnosis: The Role of AI in Lung Cancer Detection 15 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2 The importance of AI integration into healthcare . . . . . . . . . . . . . . 15 2.3 Applications of AI in the Healthcare Sector . . . . . . . . . . . . . . . . . 16 2.3.1 Electronic Health Records . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.2 Drug discovery . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.3 Medical imaging . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.4 AI for Predictive Analytics and Risk categorization . . . . . . . . . 17 2.3.5 Mental Health and Telemedicine . . . . . . . . . . . . . . . . . . . 17 2.4 Lung Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.5 Artificial Intelligence in lung cancer . . . . . . . . . . . . . . . . . . . . . . 18 2.6 State of the Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3 Comparative Analysis and Proposed model for Lung Cancer Detection 26 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2 Proposed system overview . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2.1 Feature Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2.2 Dimensionality Reduction and Classification . . . . . . . . . . . . . 27 3.2.3 Model Training and Evaluation . . . . . . . . . . . . . . . . . . . . 28 3.3 Dataset description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3.1 Data preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4 Materials . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4.1 Local Machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4.2 Python and Jupyter Notebooks . . . . . . . . . . . . . . . . . . . . 31 3.5 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.5.1 Results discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.6 Comparative Analysis of the results . . . . . . . . . . . . . . . . . . . . . . 42 3.7 Limitations and Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . 43 3.7.1 Future improvements . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 General Conclusion 46 Côte titre : MAI/1012 A Comparative Analysis of Deep Learning and Traditional Machine Learning Approaches for Lung Cancer Detection [document électronique] / Yacine Amarouche ; Ishak Kouachi, Auteur ; Ferradji,Mohamed Abderraouf, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (45 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Lung cancer Histopathology Machine Learning Deep Learning Convolutional Neural Networks Hybrid Model Diagnosis Classification Index. décimale : 004 Informatique Résumé : In this work, a hybrid method is proposed for lung cancer detection using histopathological images from the LC25000 dataset. This method adopts MobileNetV3Small for efficient deep feature extraction, Principal Component Analysis (PCA) for dimensionality reduction, and a Support Vector Machine (SVM) for classification. The model achieved a high accuracy of 99.87%, along with excellent precision, recall, and F1-score values. Due to its low execution time, the proposed method is particularly well suited for real-world clinical applications. This research contributes to the field of medical diagnosis supported by advanced artificial intelligence technologies by offering a powerful tool for accurate lung cancer detection. Note de contenu : Sommaire List of Tables ii General Introduction 1 1 Foundations of Artificial Intelligence 2 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2 What is AI? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2.1 Definition 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2.2 Definition 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.3 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.3.2 Machine Learning Categories . . . . . . . . . . . . . . . . . . . . . 3 1.4 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.2 Deep Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.3 Convolutional Neural Networks . . . . . . . . . . . . . . . . . . . . 7 1.5 Data Preprocessing Methods . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.5.1 Data Cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.5.2 Feature scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.5.3 Data Augmentation . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.5.4 Dimensionality Reduction . . . . . . . . . . . . . . . . . . . . . . . 10 1.5.5 Preprocessing in deep learning and machine learning . . . . . . . . 10 1.6 Main practices and Models evaluation . . . . . . . . . . . . . . . . . . . . 11 1.6.1 Data splitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6.2 Cross-Validation (CV) . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6.3 k-fold Cross-Validation . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6.4 hold-out Cross-Validation . . . . . . . . . . . . . . . . . . . . . . . 11 1.6.5 Models Parameters and Hyper-Parameters . . . . . . . . . . . . . . 12 1.6.6 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.7 Machine learning and deep learning difficulties in healthcare . . . . . . . . 12 1.7.1 Data gathering and preparation . . . . . . . . . . . . . . . . . . . . 12 1.7.2 Domain complexity . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.3 Interpretable and Explainable Models . . . . . . . . . . . . . . . . 13 1.7.4 Technical & Infrastructure challenges . . . . . . . . . . . . . . . . . 13 1.7.5 Ethical problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2 Towards Intelligent Diagnosis: The Role of AI in Lung Cancer Detection 15 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2 The importance of AI integration into healthcare . . . . . . . . . . . . . . 15 2.3 Applications of AI in the Healthcare Sector . . . . . . . . . . . . . . . . . 16 2.3.1 Electronic Health Records . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.2 Drug discovery . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.3 Medical imaging . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.4 AI for Predictive Analytics and Risk categorization . . . . . . . . . 17 2.3.5 Mental Health and Telemedicine . . . . . . . . . . . . . . . . . . . 17 2.4 Lung Cancer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.5 Artificial Intelligence in lung cancer . . . . . . . . . . . . . . . . . . . . . . 18 2.6 State of the Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3 Comparative Analysis and Proposed model for Lung Cancer Detection 26 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2 Proposed system overview . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2.1 Feature Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2.2 Dimensionality Reduction and Classification . . . . . . . . . . . . . 27 3.2.3 Model Training and Evaluation . . . . . . . . . . . . . . . . . . . . 28 3.3 Dataset description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3.1 Data preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4 Materials . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4.1 Local Machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4.2 Python and Jupyter Notebooks . . . . . . . . . . . . . . . . . . . . 31 3.5 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.5.1 Results discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.6 Comparative Analysis of the results . . . . . . . . . . . . . . . . . . . . . . 42 3.7 Limitations and Challenges . . . . . . . . . . . . . . . . . . . . . . . . . . 43 3.7.1 Future improvements . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 General Conclusion 46 Côte titre : MAI/1012

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/1012	MAI/1012	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)