تشخیص سرطان روده با یادگیری عمیق براساس الگوریتم DNN

سرطان روده بزرگ یکی از مهمترین عوامل مرگ و میر ناشی از بیماری های غیرواگیر در جهان به شمار می رود. تشخیص زودهنگام این بیماری نقش تعیین کننده ای در افزایش احتمال درمان موفق و کاهش هزینه های درمانی دارد. با وجود پیشرفت های قابل توجه در روش های تصویری، تشخیص محدودیت هایی نظیر نیاز به تجهیزات پیشرفته، وابستگی به تفسیر انسانی و هزینه های بالا ضرورت توسعه روش های جایگزین و هوشمند را دوچندان کرده است. در این پژوهش یک مدل یادگیری عمیق مبتنی بر شبکه های عصبی چندلایه Deep Neural Networks - (DNN) برای تشخیص سرطان روده طراحی و ارزیابی شده است. نوآوری اصلی این مطالعه در استفاده از داده های غیر تصویری شامل ویژگی های عددی بالینی و آزمایشگاهی بیماران است که امکان تشخیص بیماری را بدون نیاز به تصاویر پزشکی فراهم می سازد. داده ها پس از مرحله پیش پردازش شامل نرمال سازی، حذف داده های پرت و انتخاب ویژگی های موثر به مدل DNN وارد شده اند. مدل پیشنهادی با استفاده از مجموعه داده های معتبر آموزش دیده و عملکرد آن با معیارهایی نظیر دقت (Accuracy)، حساسیت (Sensitivity)، ویژگی (Specificity) و نرخ تشخیص صحیح ارزیابی شده است. نتایج حاصل نشان می دهند که مدل توسعه یافته قادر است با دقت بالا سرطان روده را شناسایی کند و در مقایسه با روش های سنتی، سرعت و کارایی بیشتری ارائه دهد. این رویکرد می تواند به عنوان ابزاری مکمل در سیستم های هوشمند تشخیص پزشکی مورد استفاده قرار گیرد و زمینه ساز توسعه سامانه هایی مقرون به صرفه، قابل اتکا و مستقل از داده های تصویری در حوزه سلامت باشد.

کلیدواژه ها:

تشخیص سرطان روده ، یادگیری عمیق ، شبکه های عصبی عمیق (DNN) ، داده های بالینی غیر تصویری ، پیش پردازش داده های پزشکی ، سیستم های هوشمند تشخیص بیماری