مروری ساختار يافته بر کاربرد یادگیری عمیق در تشخیص سرطان پستان با استفاده از MRI،ماموگرافی و سونوگرافی

مروری ساختار يافته بر کاربرد یادگیری عمیق در تشخیص سرطان پستان با استفاده از MRI،ماموگرافی و سونوگرافی

اسما رئیسی1 مهسا نصیری2 هاجر دانش3

1) دانشجوی کارشناسی ارشد مهندسی پزشکی
2) کارشناس مهندسی پزشکی
3) دکتری مهندسی پزشکی

کد IOI مقاله : ACCD-ACZDAH
محل انتشار : دهمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی(carseconf.com)
چکیده :
    سرطان پستان یکی از شایع‌ترین و مرگ‌بارترین سرطان‌های زنان در سراسر جهان است و تشخیص زودهنگام آن نقش تعیین‌کننده‌ای در افزایش بقای بیماران دارد. در سال‌های اخیر، تلفیق فناوری‌های تصویربرداری پزشکی با الگوریتم‌های هوش مصنوعی، به‌ویژه شبکه‌های عصبی کانولوشنی، موجب بهبود قابل‌توجه دقت و سرعت تشخیص این بیماری شده است. در این مطالعه، جست‌وجوی ساختاریافته‌ای در پایگاه‌های اطلاعاتی معتبر انجام شد. مقالات بر اساس معیارهای ورود و خروج از پیش تعریف‌شده غربالگری شدند و مطالعات واجد شرایط به‌صورت منظم مورد تحلیل و مقایسه قرار گرفتند. نتایج گزارش‌شده در مطالعات نشان می‌دهد که مدل‌های مبتنی بر شبکه‌های عصبی کانولوشنی قادر به طبقه‌بندی خودکار ضایعات پستان با دقتی بین ۹۰ تا ۹۸ درصد، حساسیتی تا ۹۶ درصد و مساحت زیر منحنی (AUC) تا ۰٫۹۸ هستند. این مدل‌ها به‌ویژه در شناسایی توده‌های کوچک در بافت‌های متراکم با استفاده از MRI و کاهش وابستگی به تفسیر دستی در تصاویر سونوگرافی، عملکرد بهتری نسبت به روش‌های سنتی نشان داده‌اند. همچنین، به‌کارگیری سیستم‌های مبتنی بر یادگیری عمیق منجر به کاهش زمان غربالگری و کاهش خطاهای انسانی، به‌ویژه در تشخیص موارد مرزی، شده است. در مجموع، نتایج حاکی از آن است که ترکیب داده‌های چندوجهی تصویربرداری با معماری‌های مناسب یادگیری عمیق می‌تواند به‌عنوان ابزاری پشتیبان در تصمیم‌گیری بالینی، دقت تشخیص سرطان پستان را در محیط‌های واقعی به‌طور معناداری بهبود بخشد.

کلمات کلیدی : سرطان پستان یادگیری عمیق شبکه عصبی کانولوشنی ماموگرافی ام آر آی سونوگرافی