روش های تجزیه و تحلیل داده های خروجی از هوش مصنوعی برای تشخیص سرطان

عرفان جمشیدیان¹ سپهر انتشاری² الیاس کریم زاده³ فاطیما امینی⁴ مبینا شکرالهی⁵ سید علی نوریان نجف آبادی⁶ مجتبی محمدی⁷

1) گروه سیمون، اصفهان، ایران،
2) گروه سیمون، اصفهان، ایران،
3) گروه سیمون، اصفهان، ایران،
4) گروه سیمون، اصفهان، ایران،
5) گروه سیمون، اصفهان، ایران،
6) گروه سیمون، اصفهان، ایران،
7) پژوهشگر تخصصی، مرکز تحقیقات ستا، اصفهان، ایران،

محل انتشار : سومین کنفرانس بین المللی پژوهش ها و دستاوردهای نو در علوم، مهندسی و فناوری های نوین(setbconf.com/3rd)
چکیده :
سرطان با تکثیر، رشد و نفوذ بی رویه سلول های سرطانی تبدیل شده بدخیم از مرزهای طبیعی خود به بافت های مجاور مشخص می شود. این علت اصلی مرگ و میر در سراسر جهان است که مسئول تقریباً 19.3 میلیون تشخیص جدید و 10 میلیون مرگ در سراسر جهان در سال 2020 است. تنها در ایالات متحده، تعداد تخمینی تشخیص‌ها و مرگ‌ومیرهای جدید به ترتیب 1.9 میلیون و 609 تا 360 نفر است. اجرای تکنیک‌های تشخیصی سرطان موجود مانند توموگرافی گسیل پوزیترون (PET)، توموگرافی کامپیوتری اشعه ایکس (CT) و طیف‌سنجی تشدید مغناطیسی (MRS) و تکنیک‌های تشخیص مولکولی، نرخ‌های تشخیص زودهنگام را فعال کرده و نه تنها برای مدیریت درمانی بیماران سرطانی، بلکه برای تشخیص زودهنگام خود سرطان. اثربخشی این برنامه های غربالگری سرطان به شدت به سرعت شناسایی دقیق ضایعه پیش ساز بستگی دارد. افزایش نرخ شناسایی امکان شروع زودتر درمان را فراهم می کند، بنابراین بروز سرطان مهاجم را در دراز مدت کاهش می دهد و پیش آگهی کلی را بهبود می بخشد. اگرچه این تکنیک‌های تشخیصی به دلیل عدم تهاجم و دسترسی آسان‌تر در محیط بالینی سودمند هستند، محدودیت‌های متعددی مانند تعریف هدف بهینه، نسبت سیگنال به پس‌زمینه بالا و مصنوعات مرتبط مانع از تشخیص دقیق انواع خاصی از تومورهای عمقی می‌شوند. هزینه بالا. در این بررسی، ابزارهای مختلف تصویربرداری، مولکولی، و تشخیصی کم‌هزینه و پیشرفت‌های تکنولوژیکی مرتبط را مورد بحث قرار می‌دهیم تا درک بهتری از تشخیص سرطان، کشف فرصت‌های جدید برای مدیریت مؤثر سرطان ارائه دهیم.
کلمات کلیدی : تشخیص سرطان تصویربرداری پزشکی سرطان پزشکی تجزیه و تحلیل