پیش بینی و تشخیص بیماری های پوستی ملانوما و کارسینوم سلول بازال با استفاده از روش های یادگیری های عمیق و VGG-۱۶
- سال انتشار: 1401
- محل انتشار: اولین کنفرانس هوش مصنوعی و پردازش هوشمند
- کد COI اختصاصی: AISC01_083
- زبان مقاله: فارسی
- تعداد مشاهده: 593
نویسندگان
کارشناسی ارشد علوم کامپیوتر دانشگاه مازندران، بابلسر، ایران
کارشناس پرستاری دانشگاه مازندران، بابلسر، ایران
دانشجو پزشکی دانشگاه مازندران، بابلسر، ایران
دکتری حرفه ای، پزشک عمومی دانشگاه مازندران، بابلسر، ایران
چکیده
کارسینوم سلول بازال شایع ترین سرطان پوست است که ممکن است حاوی ملانین باشند و کارسینوم سلول بازال رنگدانه دار نامیده می شوند. این بیماری از نظر ظاهری مشابه سرطان پوست ملانوما است که تشخیص های افتراقی را بسیار دشوار کرده و موجب سردرگمی پزشکان می شود. در این مطالعه دو مدل تشخیصی یادگیری عمیق و شبکه از پیش تعیین شده VGG-۱۶ جهت تشخیص و افتراق دو بیماری سرطان پوستی توسعه داده شد. داده ها از مطب پزشکان متخصص پوست، اطلس و سایت های معتبر جمع آوری شد. در این پژوهش ۵۳۷۴ داده در مجموعه داده های آموزشی (۸۰درصد) و ۱۳۴۴ داده در مجموعه داده های تست (۲۰درصد) قرارگرفت. در روش یادگیری عمیق میزان دقت (Accuracy) بر روی داده های آموزشی عدد ۹۹/۶ درصد و برای داده های تست به عدد ۹۸ درصد بود. میزان خطا پس از گذشت ۱۰ مرتبه برای داده های آموزشی به عدد ۰/۰۷ درصد و برای داده های تست به ۰/۰۲ درصد بدست آمد. در روش VGG-۱۶ میزان دقت (Accuracy) در روش VGG-۱۶ بر روی داده های آموزشی عدد ۹۸ درصد و برای داده های تست به عدد ۹۴ درصد بود. میزان خطا پس از گذشت ۱۰ مرتبه برای داده های آموزشی به عدد ۰/۰۹ درصد و برای داده های تست به ۰/۳۹ درصد بدست آمد.کلیدواژه ها
یادگیری عمیق، VGGnet، سرطان پوست، کارسینوم سلول بازال، ملانومامقالات مرتبط جدید
- شناسایی ویژگی های سازمان پیشرو در به کارگیری هوش مصنوعی
- قراردادهای هوشمند تجاری در متاورس با هدف خودکارسازی فرآیند تجارت
- Artificial Intelligence-Enhanced Repair Strategies in Online Collaborative EFL Classrooms: Toward a New Paradigm of Interactional Competence
- تاثیر هوش مصنوعی بر کارایی عملیات نظامی اوکراین علیه روسیه
- ارزیابی استرس و اضطراب با استفاده از پردازش سیگنال های مغزی و مدل های یادگیری ماشین
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.