بررسی سیستماتیک الگوریتم های یادگیری ماشین در تشخیص زودهنگام سرطان با استفاده از داده های تصویربرداری پزشکی

با رشد چشمگیر داده های تصویربرداری پزشکی و توسعه الگوریتم های هوش مصنوعی، استفاده از یادگیری ماشین و یادگیری عمیق در تشخیص زودهنگام سرطان به یکی از محورهای اصلی پژوهش های پزشکی تبدیل شده است. این مطالعه مروری با هدف بررسی سیستماتیک تکنیک های یادگیری ماشین در تحلیل تصاویر پزشکی و کاربرد آن ها در تشخیص اولیه سرطان انجام شده است. الگوریتم هایی نظیر ماشین بردار پشتیبان، شبکه های عصبی مصنوعی، شبکه های عصبی کانولوشنی، درخت تصمیم و مدل های ترکیبی، در مطالعات مختلف روی داده های واقعی از جمله مجموعه داده های سرطان پستان ویسکانسین (WBCD)، SEER و UCI به کار رفته و دقت هایی بین ۹۴٪ تا ۹۹.۵٪ را نشان داده اند. علاوه بر سرطان پستان، این تکنیک ها در تشخیص زودهنگام سرطان های پروستات، ریه، پوست و مغز نیز به کار گرفته اند. به طور خاص، استفاده از مدل هایی مانند Efficient Net، XmasNet و CNN در تصاویر MRI و CT عملکرد چشم گیری در طبقه بندی تومورها و پیش بینی پیش آگهی بیماری داشته اند. دو نمودار در این مطالعه به مقایسه دقت الگوریتم های مختلف در تشخیص سرطان پستان (نمودار ۱) و توزیع حوزه های پزشکی بهره مند از هوش مصنوعی در تشخیص سرطان (نمودار ۲) اختصاص یافته اند. یافته های این مطالعه نشان می دهند که الگوریتم های یادگیری ماشین و یادگیری عمیق، ابزارهای قدرتمندی برای بهبود دقت، سرعت و اتکاپذیری در تشخیص زودهنگام سرطان از طریق داده های تصویربرداری پزشکی هستند، هرچند چالش هایی مانند کیفیت داده ها، نیاز به مدل های قابل تفسیر و همگرایی بالینی همچنان باقی است.

کلیدواژه ها:

هوش مصنوعی ، یادگیری عمیق ، یادگیری ماشین ، تشخیص بیماری ها ، پردازش تصاویر پزشکی