مرور و مقایسه مدلهای یادگیری عمیق در تشخیص سرطان پستان با استفاده از تصاویر ماموگرافی

سرطان پستان یکی از شایع ترین انواع سرطان در میان زنان و از مهم ترین عوامل مرگ و میر ناشی از سرطان در جهان به شمار می رود. تشخیص زودهنگام این بیماری نقش کلیدی در بهبود نرخ بقا و کاهش هزینه های درمان دارد و ماموگرافی به عنوان استاندارد طلایی غربالگری اصلی ترین ابزار تصویر برداری در این زمینه محسوب می شود. با این حال، عواملی مانند تراکم بالای بافت پستان، هم پوشانی ساختارهای آناتومیکی و شباهت میان ضایعات خوش خیم و بدخیم تفسیر این تصاویر را با چالش مواجه کرده است. در این راستا، روش های مبتنی بر یادگیری عمیق و سیستم های تشخیص به کمک رایانه (CAD) به طور گسترده برای ارتقای دقت تحلیل تصاویر ماموگرافی مورد استفاده قرار گرفته اند. این مطالعه یک مرور جامع بر کاربرد روش های یادگیری عمیق در تحلیل تصاویر ماموگرافی برای تشخیص سرطان پستان ارائه می دهد. در این پژوهش ۱۴ مقاله منتخب از پایگاه های PubMed و Google Scholar پس از اعمال معیارهای ورود و خروج مورد بررسی قرار گرفتند. نتایج نشان می دهد که بخش عمده پژوهش ها بر طبقه بندی ضایعات متمرکز بوده اند، در حالی که وظایفی مانند تشخیص ناحیه ضایعه (detection)، بخش بندی (segmentation) و تحلیل ویژگی های بافتی کمتر مورد توجه قرار گرفته اند. همچنین شبکه های عصبی کانولوشنی (CNN) همچنان رویکرد غالب در این حوزه هستند، در حالی که مدل های مبتنی بر Transformer و مکانیزم های توجه در پژوهش های اخیر عملکرد امیدوار کننده ای ارائه داده اند. با وجود پیشرفت های قابل توجه چالش هایی نظیر وابستگی به دیتاست های محدود و تک مرکزی، عدم توازن داده ها، هزینه محاسباتی بالا و ضعف در تعمیم پذیری همچنان پابرجا هستند. در مجموع این مرور بر ضرورت توسعه مدل های دقیق تر، قابل تعمیم تر و تفسیرپذیرتر برای کاربردهای بالینی تاکید می کند.

کلیدواژه ها:

سرطان پستان ، ماموگرافی ، یادگیری عمیق ، شبکه های عصبی کانولوشنی (CNN) ، ترنسفورمر ، بخش بندی