مروری بر کاربرد شبکه عصبی پیچشی در پیش بینی بقای بیماران مبتلابه سرطان

مقدمه: در سال های اخیر فن های مختلف یادگیری ماشین مانند یادگیری عمیق در تحلیل و پیش بینی میزان بقاء در انواع سرطان ها بکار گرفته شده است. بر همین اساس این مطالعه باهدف شناخت مدل یادگیری عمیق مبتنی بر شبکه عصبی پیچشی، کاربرد و نتایج آن در تحلیل بقاء بیماران مبتلابه سرطان انجام شده است.روش کار: این مطالعه مروری در آوریل 2019 به بررسی انواع مقالات فارسی و انگلیسی با استراتژی جستجو تعریف شده شامل دو حوزه تحلیل بقاء (Survival analysis) و شبکه عصبی پیچشی (Convolutional neural network - CNN) به همراه کلمات مترادف آن ها از طریق موتورهای جستجو Google Scholar و PubMed، پرداخت. با توجه به به کارگیری این روش در مطالعات سال های اخیر، بازه زمانی پنج سال اخیر از ابتدای 2015 تا مارس 2019 در نظر گرفته شد. مطالعاتی که باهدف تحقیق مغایرت داشتند حذف شدند.یافته ها: از میان 40 مقاله بررسی شده، 14 مورد وارد مطالعه شد. CNN یکی از مهم ترین روش های یادگیری عمیق و نوعی طبقه بندی با نورون های مصنوعی است که به طورمعمول برای تحلیل تصویری یا گفتاری استفاده می شوند. همچنین، یک روش نسبتا جدید و کارآمد در مدل سازی پیش بینی بقاء مبتنی بر تصاویر پزشکی است که طبق نتایج، بر روی پایگاه داده هایی با تصاویر مرتبط با پاتولوژی(7)، ام آر آی(4)، سی تی اسکن و پت اسکن(3) و در تحقیقات مرتبط با سرطان های دستگاه گوارش (7)، تومورهای مغزی(5)، ریه(1)، پستان و تخمدان(1) و سر و گردن(1) با ارائه عملکرد مناسب بکار گرفته شده است. نتیجه گیری: ازآنجایی که استخراج ویژگی های مناسب از تصاویر، منجر به پیش بینی بهتر و دقیق تری در مدل سازی های زمان بقاء سرطان خواهد شد لذا این روش باقابلیت استخراج خودکار ویژگی ها از تصاویر، نقش مهمی در بهبود عملکرد مدل های تحلیل بقاء ایفا نموده است. بنابراین استفاده از آن به عنوان زیرساختی برای سامانه های پشتیبان تصمیم گیری در حوزه پزشکی و تحقیقات سرطان به علاوه ارزیابی های بیشتر پیشنهاد می گردد.

Keywords:

یادگیری عمیق , شبکه عصبی پیچشی , تحلیل بقاء , سرطان