Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
دوره
کارگاه
وبینار
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
وبینارها، کارگاره‌ها و دوره‌ها
 تشخیص دقیق سرطان دهانه رحم  به کمک الگوریتم مبتنی بر AI پردازش تصویر

تشخیص دقیق سرطان دهانه رحم به کمک الگوریتم مبتنی بر AI پردازش تصویر

سرطان دهانه رحم  سالانه بیش از نیم میلیون نفر را مبتلا کرده و جان نزدیک به 300 هزار نفر را می‌گیرد. تشخیص سرطان در مراحل اولیه برای ریشه‌کن کردن بیماری از بدن بیمار ضروری است. با این حال، روش معمولی غربالگری سرطان که جمعیت-محور است، فرآیندی دشوار و هزینه‌بر دارد. در این روش، پزشکان باید بتوانند تک تک سلول‌های یک برش رنگ‌شده را طبقه‌بندی کنند؛ برشی که می‌تواند بیش از 100,000 سلول داشته باشد.

سیستم‌های تشخیص‌گر مجهز به کامپیوتر گزینه‌ای حیاتی برای غربال‌گری آسان و سریع سرطان به شمار می‌روند.

دمیتری کاپلان، استادیار دپارتمان فرآیندهای نظارتی و خودکارسازی دانشگاه الکتروتکنیک سنت‌پیترزبرگ، در مورد کاربرد فناوری در این حوزه توضیح می‌دهد: «روش‌های قدیمی مبتنی بر یادگیری ماشین، پیچیدگی محاسباتی کمتری دارند، اما برای استفاده از آن‌ها می‌بایست به صورت دستی ویژگی‌ها را استخراج و برای طبقه‌بندی انتخاب کنیم. این امر به دو دلیل عمده، عملکرد را با محدودیت روبرو می‌کند: یکی این‌که استخراج دستی ویژگی‌ها در داده‌های پیچیده کار دشواری است؛ و دیگری این‌که همه‌ی این ویژگی‌ها لزوماً اطلاعات کافی نداشته و می‌توانند بر عملکرد مدل تأثیر منفی بگذارند.»

بنر-ایران سلامت
مشاوره با شرکت هوش

به همین دلیل، محققان راهکاری جدید معرفی کرده‌اند: با استفاده از سه معماری شبکه‌ی عصبی پیچشی (Inception v3، Xception و DenseNet-169) یک مدل طبقه‌بندی گروهی ساخته‌اند. یادگیری گروهی راهبردی است که در آن، از خروجی بیش از دو مدل برای ارائه‌ی پیش‌بینی نهایی استفاده می‌شود. این شبکه‌های عصبی از قبل، روی دیتاست ImageNet (تصاویر سلول‌های تکی و اسلایدهای کامل رنگ‌شده‌ی پاپ اسمیر) آموزش دیده‌اند.

کاپلان در ادامه می‌گوید: «طرح پیشنهادی با در نظر گرفتن دو تابع غیرخطی از مقادیر تولیدشده توسط کلسیفایرها، این مدل‌های یادگیرنده را بر اساس رده (به صورت تقریبی) ادغام می‌کند. برخلاف روش‌های ساده‌ای که تا کنون برای ادغام مدل‌ها مطرح شده‌اند، تکنیک گروهی پیشنهادی ما، پیش‌بینی نهایی را بر اساس سطح اطمینان پیش‌بینی مدل‌های پایه ارائه می‌دهد.»

سرطان دهانه رحم

 آزمایش مدل تشخیص سرطان دهانه رحم

مدل پیشنهادی روی دو دیتاست متن‌باز SIPaKMeD Pap Smear و Mendeley Liquid Based Cytology (LBC) به آزمایش گذاشته شد. روش ارزیابی از نوع اعتبارسنجی متقاطع 5 لایه‌ای بود. مدل توانست روی دیتاست دوکلاسه‌ی SIPaKMeD Pap Smear به دقت طبقه‌بندی 55/98% و حساسیت 52/98%، روی دیتاست 5 کلاسه‌ SIPaKMeD Pap Smear به دقت 43/95% و حساسیت 52/98% و روی دیتاست Mendeley LBC به دقت با 23/99% و حساسیت 23/99% دست یابد.

نتایج این پژوهش در ژورنال «گزارشات علمی» منتشر شده‌اند. به نظر می‌رسد مدل پیشنهادی، کارآیی خود را اثبات کرده و از بسیاری از مدل‌های نوین دیگر پیشی گرفته باشد.

این مدل تشخیص‌گر را می‌توان به صورت یک مدل «اتصال-و-اجرا» به کار برد. به همین دلیل، اجرای غربالگری سرطان دهانه رحم  دیگر وابستگی چندانی به پشتیبانی پزشکان بالینی نخواهد داشت.

محققان قصد دارند از تکنیک‌های توسعه‌ی تشخیص نواحی سایه‌روشن استفاده کرده و یا در ابتدای کار، سلول‌ها را قطعه‌بندی کنند تا در صورت بی‌کیفیت بودن تصاویر یا همپوشانی سلول‌ها با سلول‌های دیگر، خدشه‌ای به دقت طبقه‌بندی وارد نشود. علاوه بر این، دانشمندان تکنیک یادگیری گروهی را با مدل‌های دیگر و توابع متفاوت نیز امتحان کرده‌اند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.