رویکرد نوین هوش مصنوعی؛ دقت ۹۸.۵ درصدی در تشخیص سرطان سینه

به گزارش خبرنگار آنا، درراستای اهداف عالی دانشگاه آزاد اسلامی در پیشبرد مرز‌های دانش و تربیت متخصصان تراز اول، احسان صادقی‌پور فارغ‌التحصیل رشته دکتری تخصصی کامپیوتر - هوش مصنوعی دانشگاه آزاد اسلامی واحد کاشان با موفقیت از رساله دکترای خود دفاع کرد.

این دفاعیه که به صورت مجازی برگزار شد، با راهنمایی ارزشمند مهدی اسماعیلی صورت گرفت.

عنوان رساله صادقی‌پور «استفاده از رویکرد یادگیری عمیق کانولوشن هرمی آتروس برای شناسایی متاستاز غدد لنفاوی سنتینل و ارزیابی تراکم میتوزی به منظور تشخیص توده‌های سرطان سینه» بود.

این پژوهش مهم با درجه «بسیار خوب» مورد ارزیابی قرار گرفت و منجر به اعطای مدرک دکتری به وی شد. 

دانش‌آموخته مقطع دکتری دانشگاه آزاد اسلامی واحد کاشان در حاشیه دفاع از رساله دکتری درباره جزئیات این رساله به خبرنگار آنا گفت: سرطان سینه به‌عنوان یکی از شایع‌ترین سرطان‌ها در میان زنان در سراسر جهان، مستلزم تشخیص دقیق و سریع به‌منظور بهبود چشمگیر روند درمان است.

صادقی‌پور بیان کرد: در این پایان‌نامه یک چارچوب نوین و نوآورانه برای تشخیص توده‌های سرطانی در تصاویر ماموگرافی معرفی و توسعه یافته و این چارچوب با بهره‌گیری از ترکیب معماری Pyramid Adaptive Atrous Convolution (PAAC) و Transformer و با استفاده از مکانیزم Multi-Scale Feature Fusion برای استخراج مؤثرتر ویژگی‌های بافت‌های خوش‌خیم و بدخیم و همچنین ادغام توابع هزینه Dice Loss و Focal Loss برای بهینه‌سازی فرآیند یادگیری مدل و کاهش خطا‌های تشخیص دوکلاسه، به دقت و کارایی بالایی در تشخیص سرطان سینه دست یافته است.

وی متذکر شد: در این پژوهش یک مجموعه داده جامع شامل تصاویر سرطان سینه از سه منبع معتبر INbreast، MIAS و DDSM، پس از انجام پردازش‌های اولیه با استفاده از تکنیک‌های افزایش داده (Data Augmentation) و بهبود کنتراست، گردآوری و با ابعاد ۲۲۷×۲۲۷ پیکسل برای آموزش مدل آماده‌سازی شد.

دانش‌آموخته مقطع دکتری دانشگاه آزاد اسلامی واحد کاشان تبیین کرد: مدل پیشنهادی با بهره‌گیری از قابلیت‌های Transformer در مدیریت وابستگی‌های بلندمدت و مکانیزم Self-Attention، دقت قابل توجهی در تشخیص توده‌های سرطانی کسب کرد و عملکرد بهتری نسبت به مدل‌های پایه مانند BreastNet، DeepMammo، Multi-Scale CNN، Swin-Unet و SegFormer ارائه داد.

صادقی‌پور یادآور شد: نتایج ارزیابی نهایی مدل پیشنهادی معیار‌های  دقت (Accuracy): ۹۸.۵%، حساسیت (Sensitivity): ۹۷.۸%، ویژگی (Specificity): ۹۶.۳%، معیار F۱ (F۱-Score): ۹۸.۲% و دقت کلی (Overall Accuracy): ۹۷.۹% را نشان می‌دهد.

وی متذکر شد: این مقادیر، نشان‌دهنده بهبود محسوسی در مقایسه با روش‌های سنتی بوده و توانایی مدل را در تشخیص توده‌های سرطانی در شرایط پیچیده و بر روی مجموعه داده‌های بزرگ اثبات می‌کنند.

دانش‌آموخته مقطع دکتری دانشگاه آزاد اسلامی واحد کاشان تشریح کرد: این مدل قابلیت آن را دارد که به‌عنوان یک ابزار کارآمد و قابل اعتماد در فرآیند تشخیص سرطان سینه مورد استفاده قرار گیرد و ظرفیت‌ بالایی برای به‌کارگیری در سیستم‌های تشخیص پزشکی نوین دارد.