استخراج سریع اطلاعات پزشکی در تشخیص سرطان

به گزارش خبرگزاری صدا و سیما ، یوسف شرفی دانش آموخته دانشگاه خواجه نصیرالدین طوسی در قالب دوره پسادکتری ، با راهنمایی محمد تشنه‌لب و با حمایت بنیاد ملی علم ایران در دانشگاه خواجه نصیرالدین طوسی، پژوهشی را با عنوان «مدل‌های استخراج ویژگی عمیق بدون نظارت دوسطحی با استفاده از روش ترکیبی انتقال یادگیری جهت تشخیص بیماری‌های سرطانی» به انجام رسانده است.

شرفی درباره این طرح گفت : سرطان به‌عنوان یکی از چالش‌های اساسی سلامت در سطح جهانی، سالانه موجب مرگ میلیون‌ها نفر می‌شود. پیشرفت در حوزه‌های تشخیص و پیش‌بینی این بیماری می‌تواند نقش مؤثری در کاهش مرگ‌ومیر و ارتقای کیفیت فرآیند‌های درمانی ایفا کند. در این پژوهش، یک روش نوین استخراج ویژگی دوسطحیِ بدون نظارت ارائه شده است که بر پایه ترکیبی از مفاهیم انتقال یادگیری، یادگیری جمعی و یادگیری عمیق طراحی شده است. هدف اصلی این روش، افزایش دقت در دسته‌بندی و پیش‌بینی انواع مختلف سرطان از طریق استخراج ویژگی‌های کلیدی و کاهش بُعد داده‌های تصویری است.

وی افزود: در گام نخست، تمرکز بر بخش‌بندی نواحی توده‌های سرطانی در انواع مختلف سرطان، از جمله سرطان خون، مغز و پستان معطوف شد. این فرآیند با بهره‌گیری از شبکه‌های عصبی مبتنی بر بخش‌بندی و روش‌های پیشرفته پردازش تصویر انجام گرفت که در نتیجه، اطلاعات ارزشمندی از نواحی حاوی سلول‌های سرطانی استخراج گردید.

این پژوهشگر ادامه داد: در مرحله دوم ویژگی‌های هندسی، مکانی و بافتی سلول‌های سرطانی از تصاویر بخش‌بندی‌شده استخراج شد. سپس، روش‌های بهینه‌سازی جهت کاهش ابعاد ویژگی‌های عمیق به کار گرفته شد. در این راستا، چندین راهکار پیشنهادی برای کاهش ویژگی‌ها، شامل ترکیبی از خودرمزنگار‌ها، شبکه‌های عصبی عمیق، شبکه‌های باور عمیق و روش‌های یادگیری خودسازمان‌ده ارائه شد.

وی ادامه داد: پس از ادغام ویژگی‌های تصویری، بافتی و هندسی، فرایند طبقه‌بندی نهایی با بهره‌گیری از شبکه‌های عصبی فازی و الگوریتم k-نزدیک‌ترین همسایه فازی انجام شد. این روش‌ها به‌طور ویژه برای کنترل عدم‌قطعیت در نواحی مرزی داده‌ها و بهبود اطمینان در تصمیم‌گیری طبقه‌بند به کار گرفته شدند. افزون بر این، یک روش عمیق دوسطحی برای تحلیل داده‌های پاتولوژی و ماموگرافی سرطان پستان ارائه شد که منجر به بهبود کیفیت طبقه‌بندی و ارتقای فرآیند پیشگیری می‌شود.

شرفی در تشریح نتایج این پژوهش اضافه کرد: نتایج نشان می‌دهد که روش‌های پیشنهادی، در مقایسه با رویکرد‌های سنتی، از دقت و کارایی بالاتری در دسته‌بندی توده‌های سرطانی برخوردارند. حذف ویژگی‌های غیرضروری و تمرکز بر ویژگی‌های کلیدی، موجب بهبود عملکرد مدل‌های یادگیری ماشین و افزایش دقت در فرآیند تشخیص و دسته‌بندی سرطان شده است. این امر می‌تواند زمینه‌ساز توسعه سامانه‌ها و ابزار‌های هوشمند دقیق‌تر و کارآمدتر در حوزه تشخیص پزشکی باشد. براساس نتایج حاصل از پیاده‌سازی، روش پیشنهادی توانسته است به دقت قابل توجهی در دسته‌بندی انواع مختلف سرطان دست یابد.

وی در ادامه به اهمیت کلی تحقیقات در حوزه سرطان اشاره کرد و گفت: تحقیقات در حوزه بیماری سرطان از اهمیت بسیار بالایی برخوردار است. براساس گزارش‌های جهانی، سالانه بیش از ۱۰ میلیون نفر در سراسر جهان بر اثر ابتلا به سرطان جان خود را از دست می‌دهند و این بیماری همچنان یکی از مهم‌ترین عوامل مرگ‌ومیر در جهان به شمار می‌رود. ازاین‌رو، پیشرفت‌های علمی در حوزه پزشکی و توسعه روش‌های نوین تحلیل داده‌های پزشکی می‌تواند نقش مهمی در تشخیص زودهنگام، پیش‌بینی دقیق و بهبود فرآیند درمان انواع مختلف سرطان ایفا کند. علاوه‌بر این، تحقیقات در این حوزه می‌تواند به ارتقای کیفیت زندگی بیماران و توسعه سامانه‌های هوشمند برای پیشگیری و تشخیص به‌موقع بیماری کمک قابل‌توجهی نماید.

وی افزود: در این تحقیق، یک روش استخراج ویژگی دوسطحی بدون نظارت بر پایه ترکیبی از مفاهیم انتقال یادگیری، یادگیری جمعی و مدل‌های یادگیری عمیق ارائه می‌شود که هدف آن استخراج مجموعه‌ای کم‌حجم‌تر، اما مؤثرتر از ویژگی‌های تصویری از داده‌های پزشکی است. این رویکرد با تمرکز بر ویژگی‌های کلیدی و کاهش ابعاد داده‌ها تلاش می‌کند عملکرد مدل‌های هوشمند را در پیش‌بینی و دسته‌بندی انواع مختلف سرطان براساس تصاویر پزشکی بهبود بخشد.