سرطان سینه

برای تشخیص سرطان سینه با استفاده از تصاویر حرارتی و داده های بالینی راکل سانچز-کاوس*، خورخه پرز-مارتین، مانوئل لوکه گروه هوش مصنوعی، دانشگاه ملی آموزش و پرورش (UNED)، خوان دل روزال، 16، 28040 مادرید، اسپانیا به روز رسانی را بررسی کنید مقاله تاریخچه مقاله: اطلاعات دریافت در 6 دسامبر 2020 پذیرش در 5 مارس 2021 کلید واژه ها: طبقه بندی سرطان سینه داده های بالینی تصاویر حرارتی شبکه عصبی کانولوشنال خلاصه زمینه و هدف: سرطان پستان شایع ترین سرطان در زنان است. در حالی که ماموگرافی پرکاربردترین روش غربالگری برای تشخیص زودهنگام این بیماری است، معایب متعددی مانند قرار گرفتن در معرض اشعه یا هزینه اقتصادی بالا دارد. اخیراً، چندین نویسنده توانایی الگوریتم‌های یادگیری ماشینی را برای تشخیص زودهنگام سرطان سینه با استفاده از تصاویر حرارتی مورد مطالعه قرار دادند و نشان دادند که ترموگرافی می‌تواند به عنوان یک آزمایش مکمل برای ماموگرافی یا حتی به عنوان یک آزمایش اولیه تحت شرایط خاص در نظر گرفته شود. علاوه بر این، اگرچه برخی از داده های شخصی و بالینی به عنوان عوامل خطر سرطان سینه در نظر گرفته می شوند، اما هیچ یک از این کارها این اطلاعات را به همراه تصاویر حرارتی در نظر نمی گیرند. روش‌ها: ما یک رویکرد جدید برای تشخیص زودهنگام سرطان پستان با ترکیب تصاویر حرارتی از نماهای مختلف با داده‌های شخصی و بالینی، ایجاد یک مدل طبقه‌بندی چند ورودی که از مزایای شبکه‌های عصبی کانولوشن برای تجزیه و تحلیل تصویر استفاده می‌کند، پیشنهاد می‌کنیم. ابتدا، ساختارها را تنها با استفاده از تصاویر حرارتی جستجو کردیم. در مرحله بعد، ما داده های بالینی را به عنوان شاخه جدیدی از هر یک از این ساختارها با هدف بهبود عملکرد آن اضافه کردیم. نتایج: ما روش خود را بر روی پرکاربردترین پایگاه داده عمومی تصاویر حرارتی پستان، پایگاه داده تحقیقات ماستولوژی با تصویر مادون قرمز، اعمال کردیم. بهترین مدل دارای دقت 97% و سطح زیر منحنی ROC 0.99، با ویژگی 100% و حساسیت 83% است. نتیجه‌گیری: پس از مطالعه تأثیر تصاویر حرارتی و داده‌های شخصی و بالینی بر شبکه‌های عصبی کانولوشنال چند ورودی برای تشخیص سرطان پستان، به این نتیجه رسیدیم که: (1) افزودن نماهای جانبی به نمای جلو، عملکرد مدل طبقه‌بندی را بهبود می‌بخشد. (2) شامل داده های شخصی و بالینی به مدل کمک می کند تا بیماران بیمار را تشخیص دهد. 2021 نویسندگان. منتشر شده توسط Elsevier B.V. این یک مقاله با دسترسی آزاد تحت مجوز CC BY-NC-ND است