تشخیص تومور مغزی در تصاویر MRI با هوش مصنوعی با رویکرد یادگیری انتقالی و بهینه سازی آستانه تصمیم گیری

تشخیص به موقع و دقیق تومورهای مغزی در تصاویر MRI حیاتی ترین چالش در رادیولوژی تشخیصی است. این پژوهش، یک مدل طبقه بندی تصویر دوگانه (تومور/سالم) را با استفاده از معماری سبک و کارآمد MobileNetV۲ و استراتژی یادگیری انتقالی (Transfer Learning) توسعه داده است. با توجه به اهمیت بالینی خطای منفی کاذب (FN)، دو نوآوری اصلی برای افزایش امنیت تشخیصی اعمال شد: اول، استفاده از وزن دهی کلاسی نامتقارن (وزن ۱.۵ برای کلاس تومور) در فاز آموزش برای جریمه سنگین تر خطاهای FN، و دوم، بهینه سازی آستانه تصمیم گیری از ۰.۵ به ۰.۳ در فاز ارزیابی. نتایج ارزیابی نهایی روی مجموعه تست (۲۰۳ تصویر) کارایی این رویکرد را اثبات کرد: در آستانه ۰.۳، مدل به ۱۰۰٪ Recall برای کلاس تومور دست یافت، که بیانگر صفر شدن کامل خطاهای منفی کاذب (FN=۰) است. این دستاورد، بالاترین سطح حساسیت و ایمنی مورد نیاز برای سیستم های کمک تشخیصی در غربالگری های پزشکی را تضمین می کند. در واقع سعی شده با یک رویکرد نوین مدلی کارآمد برای تشخیص دقیق تر و سریع تر این بیماری توسعه داده شود.

کلیدواژه ها:

هوش مصنوعی در پزشکی ، یادگیری عمیق ، یادگیری انتقالی ، تشخیص تومور مغزی