مجله انفورماتیک سلامت و زیست پزشکی

مقدمه:  تشخیص سریع و دقیق تومورهای مغزی نقش کلیدی در بهبود فرآیند درمان و افزایش بقای بیماران دارد. تصاویر تشدید مغناطیسی (MRI) به‌عنوان روشی استاندارد و غیرتهاجمی، داده‌های پیچیده‌ای تولید می‌کنند که تحلیل دستی آن‌ها به دلیل تنوع ظاهری تومورها، شباهت برخی ضایعات به بافت‌های سالم و حجم بالای داده‌ها، زمان‌بر و مستعد خطا است. این پیچیدگی‌ها، استفاده از روش‌های هوشمند مبتنی بر هوش مصنوعی را برای افزایش دقت و سرعت تحلیل تصاویر پزشکی ضروری ساخته است. فناوری‌های یادگیری عمیق می‌توانند با کاهش خطاهای انسانی، تشخیص را بهبود بخشند. این پژوهش چارچوبی نوآورانه برای شناسایی خودکار تومورهای مغزی ارائه می‌دهد. این مطالعه بر طراحی یک مدل شبکه عصبی پیش‌خور با مکانیزم توجه درونی تمرکز دارد که با الگوریتم ازدحام ذرات کوانتومی (QPSO) بهینه‌سازی شده است. هدف، توسعه سیستمی دقیق، سریع و قابل‌تفسیر برای شناسایی نواحی تومور در تصاویر MRI است که در مراکز درمانی با منابع محدود نیز کاربردی باشد.
روش کار: تصاویر MRI چندوجهی (T1 T1ce, T2, و FLAIR) از منابع معتبر مانند چالش قطعه‌بندی تومور مغزی (BraTS) و آرشیو تصویربرداری سرطان (The Cancer Imaging Archive) گردآوری شدند. تصاویر با نرمال‌سازی شدت، فیلترهای حذف نویز (گوسی و میانه) و اصلاح ناهمگنی شدت پیش‌پردازش شدند. ویژگی‌های آماری، بافتی و فرکانسی استخراج و با تحلیل مؤلفه‌های اصلی (PCA) به 300 مؤلفه کاهش یافتند. وزن‌دهی ویژگی‌ها با روشی الهام‌گرفته از اهمیت‌سنجی اسناد انجام شد. مدل شامل شبکه عصبی پیش‌خور با پنج لایه پنهان و مکانیزم توجه درونی بود که با QPSO بهینه شد. نقشه‌های حرارتی برای تفسیر نتایج تولید شدند.
یافته‌ها: مدل پیشنهادی با دقت 99/6%، حساسیت 99/4% و ویژگی 99/7%، عملکردی برتر از مدل‌های رایج مانند شبکه‌های کانولوشنی (97/1%) و U-Net (6/2%) ارائه داد. زمان پیش‌بینی هر تصویر کمتر از 0/5 ثانیه بود. نقشه‌های حرارتی، شناسایی دقیق نواحی غیرطبیعی را نشان دادند.
نتیجه‌گیری: این مدل با دقت بالا و سرعت مناسب، ابزاری مؤثر برای تشخیص تومورهای مغزی، به‌ویژه در مناطق کم‌منبع، ارائه می‌دهد. این پژوهش گامی مهم در بهبود خدمات تشخیصی است.