دوره 11، شماره 4 - ( 12-1403 )
جلد 11 شماره 4 صفحات 322-306 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Maghsoudi R, Tavan M. Differential Diagnosis of Precancerous and Cancerous Oral Lesions Based on an Integrated Artificial Intelligence Model. jhbmi 2025; 11 (4) :306-322
URL: http://jhbmi.ir/article-1-902-fa.html
URL: http://jhbmi.ir/article-1-902-fa.html
مقصودی روح اله، توان مهدی. تشخیص افتراقی ضایعات پیش سرطانی و سرطانی دهانی مبتنی بر یک مدل یکپارچه هوش مصنوعی. مجله انفورماتیک سلامت و زیست پزشکی. 1403; 11 (4) :306-322
گروه مهندسی کامپیوتر، واحد نور، دانشگاه آزاد اسلامی، نور، ایران
چکیده: (194 مشاهده)
مقدمه: تشخیص به‌موقع ضایعات پیش‌سرطانی و سرطانی دهان نقش اساسی در بهبود نتایج درمانی و کاهش مرگ‌ومیر بیماران دارد. با این حال، شباهت ظاهری این ضایعات با ضایعات خوش‌خیم، فرآیند تشخیص را پیچیده می‌کند. سیستم‌های تشخیصی به کمک کامپیوتر (CAD)، به‌عنوان ابزارهای کمکی، می‌توانند دقت تشخیص را افزایش داده و زمان آن را کاهش دهند. این مطالعه با هدف توسعه یک مدل یکپارچه برای تشخیص ضایعات دهانی انجام شد.
روش: در این مطالعه، تصاویر بالینی از بیماران مبتلا به لوکوپلاکیا، لیکن‌پلان و کارسینوم سلول‌های سنگفرشی دهان جمع‌آوری شد. پس از پیش‌پردازش تصاویر برای بهبود کیفیت و حذف نویز، ویژگی‌های کلیدی با الگوریتم SURF استخراج شدند. برای کاهش ابعاد داده‌ها و انتخاب ویژگی‌های مؤثر، از الگوریتم خوشه‌بندی K-means استفاده شد که تعداد ویژگی‌ها را به ۳۰ ویژگی کاهش داد. طبقه‌بندی تصاویر با استفاده از پنج الگوریتم یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، شبکه عصبی چندلایه (MLP)، توابع پایه شعاعی (RBF)، درخت تصمیم و دسته‌بندی‌کننده بیزی انجام شد. عملکرد این الگوریتم‌ها به‌صورت مقایسه‌ای ارزیابی شدند.
نتایج: نتایج نشان داد که SVM با دقت ۹۵% بهترین عملکرد را در تشخیص ضایعات دهانی دارد. این الگوریتم به دلیل توانایی مدیریت داده‌های با ابعاد بالا و قابلیت تفکیک خطی و غیرخطی، برتری قابل توجهی نسبت به سایر روش‌ها نشان داد. الگوریتم‌های دیگر مانند MLP و RBF نیز نتایج قابل قبولی ارائه کردند، اما دقت آن‌ها کمتر از SVM بود. استفاده از K-means برای کاهش ابعاد ویژگی‌ها، سرعت و دقت طبقه‌بندی را بهبود بخشید.
نتیجه گیری: این مطالعه، برای نخستین بار، یک مدل یکپارچه از عکس‌برداری تا تشخیص ضایعات دهانی با دقت بالا ارائه کرد. این رویکرد خطاهای تشخیصی اشتباه را کاهش داده و زمان و هزینه‌های مرتبط با تشخیص را کاهش می‌دهد. استفاده از هوش مصنوعی در تشخیص ضایعات دهانی می‌تواند به عنوان یک ابزار کمکی در کنار متخصصان دندانپزشکی، کیفیت مراقبت‌های بهداشتی را بهبود بخشد. این مدل پتانسیل توسعه در سایر زمینه‌های پزشکی را دارد و می‌تواند به عنوان مرجعی برای تحقیقات آینده مورد استفاده قرار گیرد.
روش: در این مطالعه، تصاویر بالینی از بیماران مبتلا به لوکوپلاکیا، لیکن‌پلان و کارسینوم سلول‌های سنگفرشی دهان جمع‌آوری شد. پس از پیش‌پردازش تصاویر برای بهبود کیفیت و حذف نویز، ویژگی‌های کلیدی با الگوریتم SURF استخراج شدند. برای کاهش ابعاد داده‌ها و انتخاب ویژگی‌های مؤثر، از الگوریتم خوشه‌بندی K-means استفاده شد که تعداد ویژگی‌ها را به ۳۰ ویژگی کاهش داد. طبقه‌بندی تصاویر با استفاده از پنج الگوریتم یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، شبکه عصبی چندلایه (MLP)، توابع پایه شعاعی (RBF)، درخت تصمیم و دسته‌بندی‌کننده بیزی انجام شد. عملکرد این الگوریتم‌ها به‌صورت مقایسه‌ای ارزیابی شدند.
نتایج: نتایج نشان داد که SVM با دقت ۹۵% بهترین عملکرد را در تشخیص ضایعات دهانی دارد. این الگوریتم به دلیل توانایی مدیریت داده‌های با ابعاد بالا و قابلیت تفکیک خطی و غیرخطی، برتری قابل توجهی نسبت به سایر روش‌ها نشان داد. الگوریتم‌های دیگر مانند MLP و RBF نیز نتایج قابل قبولی ارائه کردند، اما دقت آن‌ها کمتر از SVM بود. استفاده از K-means برای کاهش ابعاد ویژگی‌ها، سرعت و دقت طبقه‌بندی را بهبود بخشید.
نتیجه گیری: این مطالعه، برای نخستین بار، یک مدل یکپارچه از عکس‌برداری تا تشخیص ضایعات دهانی با دقت بالا ارائه کرد. این رویکرد خطاهای تشخیصی اشتباه را کاهش داده و زمان و هزینه‌های مرتبط با تشخیص را کاهش می‌دهد. استفاده از هوش مصنوعی در تشخیص ضایعات دهانی می‌تواند به عنوان یک ابزار کمکی در کنار متخصصان دندانپزشکی، کیفیت مراقبت‌های بهداشتی را بهبود بخشد. این مدل پتانسیل توسعه در سایر زمینه‌های پزشکی را دارد و می‌تواند به عنوان مرجعی برای تحقیقات آینده مورد استفاده قرار گیرد.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1403/9/5 | پذیرش: 1403/12/11
دریافت: 1403/9/5 | پذیرش: 1403/12/11
فایل صوتی [MP3 926 KB] (5 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
