ارائه یک مدل آینده پژوهی برای انتخاب مدل مناسب تشخیص سرطان سینه

مقدمه: انتخاب مدل مناسب برای تشخیص سرطان سینه اهمیت زیادی دارد، زیرا مدل های نامناسب ممکن است دقت تشخیص را کاهش دهند و منجر به نتایج نادرست شوند. این خطاها می توانند به تصمیم گیری های نادرست بالینی منجر شوند. در این راستا، آینده پژوهی می تواند ابزار موثری برای شناسایی و انتخاب مدل های مناسب تشخیصی باشد. روش کار: این مطالعه با استخراج مقالات مرتبط با تشخیص سرطان سینه مبتنی بر هوش مصنوعی آغاز شد. تعداد مقالات مربوط به هر الگوریتم مشخص و الگوریتم هایی با کمتر از ۵۰ مقاله حذف شدند. سپس روند سالانه انتشار مقالات تحلیل شد. یک مدل سری زمانی مبتنی بر شبکه عصبی مصنوعی برای پیش بینی روند تحقیقات در دو سال آینده طراحی شد که الگوریتم های با بیشترین تمرکز پژوهشی را شناسایی می کند. یافته ها: پس از حذف مقالات زیر حد آستانه، ۲۳۰۸ مقاله در هشت دسته شامل یادگیری عمیق، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، منطق فازی، خوشه بندی، درخت تصمیم، بیزین و رگرسیون لجستیک قرار گرفتند. هشت مدل سری زمانی با استفاده از داده های هفت سال گذشته، پیش بینی کردند که یادگیری عمیق و شبکه عصبی مصنوعی بیشترین تمرکز پژوهشی آینده را به خود اختصاص خواهند داد. نتیجه گیری: این پژوهش نشان داد که آینده پژوهی رویکردی موثر برای انتخاب روش های تشخیص سرطان سینه است. نتایج نشان می دهد که الگوریتم های شبکه عصبی مصنوعی و یادگیری عمیق بهترین عملکرد را دارند و می توانند راهنمایی برای پژوهش های آینده باشند.

کلیدواژه ها:

Foresight ، Diagnosis ، Breast Cancer ، Artificial Neural Network ، Deep Learning ، آینده پژوهی ، تشخیص ، سرطان سینه ، شبکه عصبی مصنوعی ، یادگیری عمیق