عادلانه بودن برآوردهای عدم قطعیت یادگیری عمیق در تجزیه و تحلیل تصویر پزشکی

سال انتشار: 1404
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 53

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

EUAIME01_060

تاریخ نمایه سازی: 11 تیر 1404

چکیده مقاله:

پیشرفت های مداوم در هوش مصنوعی، به ویژه در مورد تکنیک های یادگیری عمیق، به شناسایی، طبقه بندی و کمی سازی الگوها در تصاویر بالینی کمک می کند. یادگیری عمیق سریع ترین زمینه در حال توسعه در هوش مصنوعی است و اخیرا به طور موثر در زمینه های متعددی از جمله دارو استفاده می شود. در زمینه پزشکی، پیشرفت در فناوری های تصویربرداری، تشخیص را متحول کرده است. پردازش تصویر پزشکی شامل تشکیل تصویر، محاسبات و مدیریت است. پیشرفت های هوش مصنوعی و یادگیری عمیق در شناسایی، طبقه بندی و پردازش تصاویر پزشکی نقش بسزایی داشته اند. این تکنیک ها در حوزه هایی مانند نورولوژی، شبکیه، بیماری های ریوی، آسیب شناسی کامپیوتری، قلب، استخوان و معده استفاده شده اند. یادگیری عمیق امکان تحلیل کلان داده ها و پیش بینی های دقیق را فراهم کرده و در بهبود غربالگری سرطان و سایر بیماری ها موثر بوده است. مطالعات نشان داده اند که مدل های یادگیری عمیق ممکن است دارای سوگیری های نژادی، جنسیتی و سنی باشند.

نویسندگان

محمد احمدی نیاگدنه

دانشگاه آزاد کرمان، کرمان، ایران

سمیرا صادقی گوغری

دانشگاه آزاد کرمان، کرمان، ایران

سعید شاهمرادی

باشگاه پژوهشگران و نخبگان، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران