مروری بر کاربرد یادگیری عمیق در آنالیز تصاویر پزشکی

تحلیل خودکار تصاویر پزشکی با استفاده از یادگیری عمیق به عنوان یک پارادایم جدید در تصویربرداری پزشکی، پتانسیل بنیادینی برای بهبود دقت و کارایی تشخیص های بالینی دارد. این حوزه، که شامل وظایفی مانند طبقه بندی ناهنجاری ها، بخش بندی اندام ها و بخش های بیمار، و پیش بینی نتایج درمانی است، به سرعت در حال پیشرفت است. این مقاله یک مرور جامع و ساختاریافته را بر مهم ترین کاربردهای DL در آنالیز تصاویر پزشکی، شامل سیگنال های اشعه ایکس، MRI، CT و اولتراسوند، ارائه می دهد. روش شناسی این مرور بر جستجوی سیستماتیک در پایگاه های داده معتبر (مانند IEEE Xplore، Scopus و Web of Science) با استفاده از کلیدواژه های ترکیبی “Deep Learning”، “Medical Imaging”، و “Analysis” متمرکز بوده است. معیارهای شمول و خروج دقیق برای اطمینان از تحلیل مقالاتی که نوآوری های قابل توجهی در معماری مدل یا نتایج عملکردی ارائه داده اند، اعمال گردید. در مجموع، این مرور به تحلیل بیش از ۲۰۰ مقاله کلیدی پرداخته و آن ها را بر اساس نوع مدل DL و کاربرد پزشکی دسته بندی می کند. نتایج اصلی تحلیل ما نشان دهنده تسلط مداوم شبکه های کانولوشنی (CNNs)، به ویژه مشتقات پیشرفته تر آن ها مانند ResNet و U-Net، در بخش بندی و تشخیص های دو بعدی است. با این حال، چالش های مربوط به داده های کم حجم و نیاز به دانش تخصصی برای تنظیم ابرپارامترها همچنان مشهود است. همچنین، این مرور ظهور معماری های نوین مبتنی بر ترنسفورمرها را به عنوان یک تغییر دهنده بازی در وظایف نیازمند درک روابط دوربرد در تصاویر بزرگ، مانند رادیولوژی تمام اسلاید (WSI)، برجسته می کند. علاوه بر این، بر جنبه های حیاتی تفسیرپذیری (XAI) تاکید شده است، چرا که پذیرش مدل های جعبه سیاه در محیط های بالینی نیازمند روش هایی برای اعتبارسنجی و اعتمادپذیری است. این مقاله شکاف های کلیدی در تحقیقات جاری را با دقت مشخص می کند، به ویژه در مورد کمبود مدل هایی که به طور موثر با داده های چندمرکزی یا ناهمگن برخورد کنند و همچنین عدم وجود استانداردهای لازم برای ارزیابی اخلاقی و تعصب مدل ها. در نهایت، با در نظر گرفتن این یافته ها، مسیرهای تحقیقاتی آینده ای پیشنهاد می شود که شامل توسعه مدل های چندوجهی، روش های آموزش فدرال برای حفظ حریم خصوصی داده ها، و چارچوب های قوی تر برای اعتبارسنجی بالینی مدل های DL است تا امکان انتقال موفقیت آمیز آن ها از آزمایشگاه به عمل روزمره فراهم شود.

Keywords:

یادگیری عمیق , تشخیص سرطان ریه , شبکه های عصبی کانولوشنی , تصویربرداری سی تی