تشخیص تصو یر هوش مصنوعی براساس الگوریتم لبه یادگیری عمیق ۵G آندوسکوپی گوارشی در ساخت و ساز پزشکی

در این مقاله از تشخیص تصوی ر هوش مصنوعی برای بدست آوردن تصوی ر آندوسکوپی گوارشی استفاده می کنیم، و تصو یر را براساس الگوریتم لبهیادگیری عمیق ۵G پردازش میکنیم تا درباره نوع بیماری قضاوت کنیم و سپس برنامه درما نی را در نظر بگیریم. ترکیب شبکه ناحیه بد نی و فناوری رایانشلبه میتواند تقاضایی با تاخیر کم را در شبکه ناحیه بدن برآورده کند. در این مورد، گره گیتوی شبکه ناحیه بدنی محدود شده با منابع میتواند داده هایفیزیولوژیکی جمع آوری شده را با یک وظیفه قابل بارگیری پردازش کند، و سپس با توجه به یک استراتژی خاص، وظا یف و داده ها را در گره محاسباتی لبهتخلیه کند. گره را یانش لبه، پردازش مرتبط با وظیفه و ذخیره سازی داده را تکمیل میکند، و در نهایت نتایج را به موسسات پزشکی مربوطه و کاربران شبکهناحیه بدنی برای خواندن تشخیص کمکی و درمان بیماری ها ارائه میدهد. تحقیقات نشان دادهاند که براساس الگوریتم لبه یادگیری عمیق ۵G تحت تشخیص تصویر هوش مصنوعی آندوسکوپی گوارشی، ۲۵ % بیماران مبتلا به پولیپ روده دارای سلول های CD۴ در خون محیطی هستند. تعداد لنفوسیت ها در گروهتمایز کمتر از ۲۰۰ μL بود، و RNA خونی در ۹۲.۳ % بیماران کمتر از ۱۰۰IU/ml بود، در حالی که CTP فام (پپتید A -حلقه ای) کمتر از ۱۰۰ IU/ml بود.عفونت های فرصت طلب روده و و یروس ها میتوانند به صورت مستقیم باعث آنتروپاتی شوند ز یرا شدت فلورسنس پروب در اصل بدون تغییر باقی می ماند و نمی تواند یک ساختار مارپیچ سه گانه را شکل دهد. الگوریتم لبه یادگیری عمیق ۵G در مقایسه با الگوریتم ساده یولو از نظر دقت تشخیص ویژگی در این مقاله، دقت را تا ۶۸ % بهبود می دهد و از نظر سرعت مشابه است. دقت و سرعت به ترتیب در مقا یسه با الگوریتم RCNN تا ۲۱ % و ۸۵ % بهبود می یابند. بنابراین، الگوریتم لبه یادگیری عمیق ۵G مبتنی بر تشخیص تصویر هوش مصنوعی دارای مزا یای دقت و سرعت در آندوسکوپی گوارشی پزشکی هوشمند است.