مدلسازی و طبقه بندی سرطان با استفاده از تکنیک های یادگیری انتقالی

چکیده مقاله

تشخیص و طبقه بندی سرطان با استفاده از یادگیری عمیق به ویژه شبکه های عصبی پیچشی CNN ، در تحلیل تصاویر پزشکی نویدبخش پیشرفت های چشمگیری بوده است با این حال چالش هایی نظیر محدودیت در دسترسی به داده های با کیفیت، بیش برازش و عدم تعادل کلاس ها همچنان پابرجا هستند این پژوهش به بررسی مطالعات اخیر پرداخته که از تکنیک های یادگیری انتقالی از جمله بهینه سازی های هایپرپارامترها و استخراج ویژگی ها در انواع مختلف سرطان ها با استفاده از روش های تصویربرداری مانند سونوگرافی، ام آرای و سی تی اسکن بهره برده اند تحلیل های مقایسه ای نشان می دهند که مدل هایی چون VGG۱۶ و InceptionV۳ هنگامی که از پروسه بهینه سازی هایپرپارامترها عبور می کنند یا در ترکیب های گروهی به کار گرفته می شوند، به طور مستمر از روش های سنتی پیشی می گیرند؛ در همین راستا دقت و AUC بالایی را کسب می کنند؛ AUC معرف عملکرد طبقه بندی یک مدل است با این وجود یادگیری ترکیبی به طور کافی به کار گرفته نشده است و استراتژی های پیش پردازش نیز تنوع بالایی دارند که موجب محدودیت در تعمیم پذیری می شود این مقاله بر ضرورت توسعه رویکردهای استاندارد شده، ایجاد مجموعه داده های متنوع و غنی تر و طراحی مدل های هیبریدی بهینه تر دارد تا این اقدامات می توانند فرایند آماده سازی تشخیص های سرطان مبتنی بر هوش مصنوعی در محیط های بالینی را به طور موثری تسریع کنند

کلیدواژه‌ها

نویسندگان

سیده عسل موسوی نجات

مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه زنجان، زنجان، ایران

نیما قدیمی

گروه ریاضی و علوم کامپیوتر، دانشکده علوم، دانشگاه زنجان، زنجان، ایران

احمد علیاری بروجنی

گروه ریاضی و علوم کامپیوتر، دانشکده علوم، دانشگاه زنجان، زنجان، ایران

موسوی نجات، سیده عسل و قدیمی، نیما و علیاری بروجنی، احمد،1404،مدلسازی و طبقه بندی سرطان با استفاده از تکنیک های یادگیری انتقالی،دومین کنگره بین المللی پیشگیری از سرطان،زنجان

ارائه‌شده در

مجموعه مقالات دومین کنگره بین المللی پیشگیری از سرطان8 مهر 1404 · زنجان