شبکه های عصبی کانولوشنال مبتنی بر منطق فازی برای تشخیص دقیق بیماری های ریوی

تصاویر سی تی (CT) یکی از ابزارهای کلیدی در تشخیص بیماری های ریوی مانند سرطان ریه، بیماری انسدادی مزمن ریوی (COPD) و پنومونی به شمار می روند و با ارائه جزئیات دقیق از ساختارهای داخلی، ریه امکان شناسایی زودهنگام بیماری ها را فراهم می کنند. با این حال، تحلیل دستی این تصاویر توسط متخصصان رادیولوژی فرآیندی زمان بر و مستعد خطا است؛ به ویژه در شرایطی که حجم داده ها بالا باشد یا با کمبود نیروی متخصص مواجه شویم. شبکه های عصبی کانولوشنال (CNN) به دلیل توانایی استخراج ویژگی های پیچیده از تصاویر در تحلیل تصاویر پزشکی موفق بوده اند. برای نمونه، مدل هایی مانند ResNet و VGG دقت بالایی در تشخیص سرطان ریه نشان داده اند و مطالعات اخیر نشان می دهد که این مدل ها می توانند نرخ بقا را با تشخیص زودهنگام تا ۱۵% بهبود بخشند. با وجود این پیشرفت ها، CNN ها محدودیت هایی دارند. عدم قطعیت در داده ها مانند نویز ناشی از حرکت، بیمار تنظیمات نادرست دستگاه یا کیفیت پایین تصاویر در تجهیزات قدیمی می تواند عملکرد مدل را کاهش دهد. علاوه بر این، شباهت ویژگی های بیماری های مختلف مانند پنومونی و ادم ریوی اغلب به تشخیص های اشتباه منجر می شود و یکی از چالش های اصلی کمبود تفسیر پذیری (interpretability) مدل هاست که در کاربردهای بالینی اعتماد پزشکان را کاهش می دهد. منطق فازی بر پایه مجموعه های فازی و درجات عضویت مانند کم مشکوک یا بسیار مشکوک ابزاری مناسب برای مدیریت این ابهامات است و برخلاف رویکرد باینری CNN ها انعطاف پذیری بیشتری فراهم می کند. این مقاله یک روش ترکیبی ساده شده CNN فازی را پیشنهاد می دهد که با ادغام ماژول فازی در لایه خروجی CNN به وزن دهی ویژگی های استخراج شده می پردازد. هدف اصلی بهبود دقت تشخیص بیماری های ریوی در تصاویر CT است. این رویکرد نه تنها دقت را افزایش می دهد بلکه تفسیر پذیری مدل را نیز ارتقا می بخشد که برای کاربردهای بالینی ضروری است.

کلیدواژه ها:

شبکه های عصبی کانولوشنال ، منطق فازی ، بیماری های ریوی ، تصاویر CT ، تشخیص تصاویر پزشکی ، مدل های ترکیبی هوش مصنوعی