بهبود دقت تشخیص سرطان دهانه ی رحم با به کارگیری روش های بیومتریال، یادگیری انتقالی و شبکه های عصبی پیچشی در تحلیل تصاویر پاپ اسمیر

سرطان دهانه ی رحم، یکی از شایع ترین انواع سرطان در میان زنان است که به دلیل ارتباط آن با ویروس پاپیلومای انسانی (HPV)، تهدیدی جدی برای سلامت محسوب می شود. این بیماری در مراحل اولیه، معمولا بدون علائم است و می تواند به مراحل پیشرفته و خطرناک برسد. هدف این پژوهش، افزایش دقت و سرعت تشخیص سرطان دهانه ی رحم از طریق تحلیل تصاویر پاپ اسمیر با بهره گیری از روش های یادگیری ماشین و فناوری های نوین بیومتریال است. در این مطالعه، به منظور افزایش کنتراست و بهبود کیفیت تصاویر پاپ اسمیر، از نانوذرات کنتراست زا استفاده شده است. سپس تصاویر اصلاح شده، با استفاده از شبکه های عصبی پیچشی (CNN) و سه الگوریتم طبقه بندی، شامل K نزدیک ترین همسایه (KNN)، درخت تصمیم (DT) و ماشین بردار پشتیبان (SVM) مورد تحلیل قرار گرفتند. مجموعه داده ی Herlev برای ارزیابی مدل پیشنهادی به کار گرفته شد و عملکرد مدل بر اساس معیارهای دقت، صحت، فراخوان و معیار F مورد بررسی قرار گرفت. نتایج، نشان داد که روش پیشنهادی، به ترتیب دقت ۷۵/۹۸%، صحت ۵۰/۹۷%، فراخوان ۲۵/۹۶% و معیار F برابر با ۸۷/۹۶% را به دست آورده است. این یافته ها، بیانگر توانمندی بالای مدل در شناسایی سلول های غیرطبیعی مرتبط با سرطان دهانه ی رحم هستند. درمجموع، تلفیق فناوری نانو با روش های یادگیری ماشین، می تواند به بهبود فرآیندهای تشخیص، ارتقای دقت غربالگری و کاهش فشار بر سیستم های بهداشتی کمک کند.

کلیدواژه ها:

تصاویر پاپ اسمیر ، نانوذرات کنتراست زا ، طبقه بندی ، یادگیری عمیق ، دقت ، شبکه ی عصبی