استفاده از مدل های یادگیری عمیق برای تشخیص سرطان ریه با استفاده از داده های بالینی و ویژگی های تومور

سرطان ریه یکی از مرگبارترین بیماری های غیرواگیر عصر حاضر محسوب می شود. تشخیص زودهنگام آن می تواند به طور قابل توجهی نرخ بقاء بیماران را افزایش دهد. در این مقاله، یک مدل یادگیری عمیق مبتنی بر شبکه عصبی چندلایه (DNN) برای شناسایی و تفکیک بیماران مبتلا به سرطان ریه از افراد سالم با استفاده از ویژگی های بالینی و اطلاعات مربوط به تومور طراحی و ارزیابی شده است. معماری پیشنهادی شامل ۸ لایه متوالی با استفاده از توابع فعال سازی ReLU و مکانیزم Dropout جهت جلوگیری از بیش برازش بوده و با استفاده از روش های پیش پردازش، متعادل سازی داده با تکنیک SMOTE، و آموزش توسط الگوریتم RMSprop، عملکرد مدل بهینه شده است. نتایج حاصل از معیارهایی چون دقت، صحت، فراخوانی و F۱-score نشان دهنده قدرت بالای مدل در طبقه بندی بیماران سالم و مبتلا است.

کلیدواژه ها:

تشخیص سرطان ریه ، یادگیری عمیق ، DNN ، متعادل سازی ، معیار ارزیابی ، google colab