ارائه مدلی جدید به منظور مدل سازی شبکه های سرطانی در تشخیص زودرس تومورهای بدخیم در سرطان سینه با استفاده شبکه های عصبی پیچشی پیچیده

مقدمه: سرطان سینه یکی از علل اصلی مرگ ومیر در میان زنان است و نیازمند روش های تشخیصی پیشرفته برای تشخیص زودهنگام و دقیق است. مدل سازی سرطان سینه با استفاده از شبکه های پیچیده شامل نمایش تعاملات بیولوژیکی به عنوان گره ها و لبه ها، برای کشف سازوکار های بیماری و پیش بینی پیشرفت یا پاسخ های درمانی از طریق تجزیه وتحلیل توپولوژیکی و دینامیکی است. تکنیک های سنتی مانند ماموگرافی و بیوپسی، اغلب با محدودیت هایی در حساسیت و تفسیرپذیری مواجه هستند. مواد و روش­ها: این مقاله یک روش داده کاوی جدید برای شناسایی سرطان سینه با استفاده از طبقه بندی تومور از طریق شبکه های عصبی پیچشی گراف (GCNN) را ارائه می دهد. برخلاف مدل های یادگیری عمیق مرسوم، روش پیشنهادی به طور موثر ویژگی های رابطه ای پیچیده را در داده های غیراقلیدسی ثبت می کند و آن ها را برای تجزیه وتحلیل ساختارهای تومور ایدئال می سازد. یافته ­های پژوهش: روش پیشنهادی داده های تصویربرداری پزشکی و هیستوپاتولوژی را در مرحله پیش پردازش به نمایش های گراف تبدیل می کند و امکان استخراج و طبقه بندی قوی ویژگی ها را فراهم می سازد. بحث و نتیجه گیری: نتایج شبیه سازی روش پیشنهادی روی مجموعه داده های دنیای واقعی نشان می دهد که روش پیشنهادی در مقایسه با روش های مرسوم، به طور میانگین از نظر دقت مدل یادگیری ۳۵ درصد، سرعت اجرای فرایند یادگیری ۴۲ درصد و تشخیص از دست دادن دقت ۲۸ درصد عملکرد بهتری دارد.

کلیدواژه ها:

Medical Diagnosis ، Breast Cancer ، Tumor Classification with Complex Network ، Convolutional Graph Neural Networks ، Feature Exploration ، تشخیص پزشکی ، سرطان سینه ، طبقه بندی تومور با شبکه پیچیده ، شبکه های عصبی پیچشی گراف ، کاوش ویژگی