مروری جامع بر کاربردهای یادگیری عمیق در رادیولوژی: معماری ها، عملکرد تشخیصی و چشم اندازهای آینده

چکیده مقاله

پیشرفت های سریع در حوزه هوش مصنوعی، به ویژه یادگیری عمیق، تحول قابل توجهی در تحلیل و تفسیر تصاویر رادیولوژی ایجاد کرده است افزایش حجم داده های تصویربرداری پزشکی و پیچیدگی تشخیص های رادیولوژیک، نیاز به روش های هوشمند و خودکار را بیش از پیش برجسته ساخته است مدل های یادگیری عمیق با بهره گیری از شبکه های عصبی چندلایه توانایی استخراج الگوهای پیچیده از داده های تصویری را داشته و در وظایفی نظیر تشخیص ضایعات، تقسیم بندی بافت ها، طبقه بندی بیماری ها و پیش بینی نتایج بالینی عملکرد قابل توجهی نشان داده اند در سال های اخیر، معماری هایی مانند شبکه های کانولوشنی عمیق، U Net، ResNet و مدل های مبتنی بر ترنسفورمر در تحلیل تصاویر حاصل از مدالیته های مختلف تصویربرداری از جمله رادیوگرافی، توموگرافی کامپیوتری و تصویربرداری تشدید مغناطیسی به طور گسترده مورد استفاده قرار گرفته اند نتایج پژوهش های متعدد نشان می دهد که این روش ها در بسیاری از کاربردهای تشخیصی قادر به دستیابی به دقت بالا و حتی عملکردی قابل مقایسه با متخصصان رادیولوژی هستند با وجود این پیشرفت ها، چالش هایی مانند کمبود داده های برچسب خورده، تعمیم پذیری محدود مدل ها، مسئله تفسیرپذیری و ملاحظات اخلاقی همچنان از موضوعات مهم در مسیر به کارگیری گسترده این فناوری در محیط های بالینی محسوب می شوند تحولات اخیر در توسعه مدل های پیشرفته یادگیری عمیق، به ویژه رویکردهای چندوجهی و مدل های مولد، چشم اندازهای نوینی برای ارتقای دقت تشخیص، بهبود تصمیم گیری بالینی و افزایش کارایی سیستم های رادیولوژی در آینده ترسیم کرده است

کلیدواژه‌ها

نویسندگان

شهلا موسوی

دانشجوی دکترای دانشگاه آزاداسلامی، واحد اصفهان خوراسگان ،اصفهان،ایران

موسوی، شهلا،1405،مروری جامع بر کاربردهای یادگیری عمیق در رادیولوژی: معماری ها، عملکرد تشخیصی و چشم اندازهای آینده،سی امین کنفرانس ملی مهندسی برق، کامپیوتر و مکانیک،شیروان

ارائه‌شده در

کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک7 مهر 1405 · شیروان