یادگیری عمیق در تشخیص سکته مغزی مروری تحلیلی بر معماری ها، داده های تصویربرداری و مسیرهای پژوهشی آینده

سکته مغزی یکی از مهمترین علل مرگ و میر و ناتوانی پایدار در سراسر جهان به شمار می رود و تشخیص سریع و دقیق آن نقشی حیاتی در کاهش عوارض و بهبود پیامدهای درمانی دارد. در سال های اخیر یادگیری عمیق به عنوان رویکردی نوین و موثر در تحلیل داده های تصویربرداری پزشکی، به ویژه در تشخیص خودکار سکته مغزی توجه گسترده ای را به خود جلب کرده است. در این مقاله مروری جامع بر پیشرفت های اخیر در به کارگیری شبکه های عصبی عمیق برای شناسایی و طبقه بندی سکته های ایسکمیک و هموراژیک ارائه می شود. در این راستا، روش های مختلف تصویربرداری مغزی مانند MRI و سی تی اسکن به عنوان منابع اصلی داده مورد بررسی قرار گرفته و معماری های گوناگون شبکه های عمیق و مشتقات آن و ترنسفورمرها از جمله Vision Transformer تحلیل شده اند. مرور مطالعات اخیر نشان می دهد که ترکیب مکانیسم های توجه (Attention Mechanisms) و ادغام داده های چندوجهی (Multimodal fusion) می تواند موجب بهبود چشمگیر دقت و پایداری مدل های تشخیصی شود. با وجود پیشرفت های قابل توجه چالش هایی نظیر کمبود داده های برچسب خورده، پیچیدگی محاسباتی مدل ها و دشواری در تفسیر تصمیمات شبکه های عمیق همچنان وجود دارد. هدف این مطالعه تبیین روند تحولات اخیر، شناسایی محدودیت های کنونی و ترسیم مسیرهای آینده پژوهش در زمینه توسعه مدل های هوشمند و قابل اعتماد برای تشخیص خودکار و دقیق سکته مغزی است.

کلیدواژه ها:

یادگیری ، عمیق ، سکته ایسکمیک ، سکته هموراژیک ، تصویر برداری مغزی ، ترنسفورمرها