دوره 11، شماره 3 - ( 9-1403 )
جلد 11 شماره 3 صفحات 256-244 |
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:
Shakibaeinia A, Chagin M, Golabpour A, Khosravi A. Providing a Foresight Model for Selecting the Appropriate Breast Cancer Diagnosis Model. jhbmi 2024; 11 (3) :244-256
URL: http://jhbmi.ir/article-1-887-fa.html
URL: http://jhbmi.ir/article-1-887-fa.html
شکیبایی نیا عبدالحسین، چگین محسن، گلاب پور امین، خسروی احمد. ارائه یک مدل آینده‌پژوهی برای انتخاب مدل مناسب تشخیص سرطان سینه. مجله انفورماتیک سلامت و زیست پزشکی. 1403; 11 (3) :244-256
گروه مهندسی کامپیوتر، واحد دزفول، دانشگاه آزاد اسلامی واحد دزفول، دزفول، ایران
چکیده: (327 مشاهده)
مقدمه: انتخاب مدل مناسب برای تشخیص سرطان سینه اهمیت زیادی دارد، زیرا مدل‌های نامناسب ممکن است دقت تشخیص را کاهش دهند و منجر به نتایج نادرست شوند. این خطاها می‌توانند به تصمیم‌گیری‌های نادرست بالینی منجر شوند. در این راستا، آینده‌پژوهی می‌تواند ابزار مؤثری برای شناسایی و انتخاب مدل‌های مناسب تشخیصی باشد.
روش کار: این مطالعه با استخراج مقالات مرتبط با تشخیص سرطان سینه مبتنی بر هوش مصنوعی آغاز شد. تعداد مقالات مربوط به هر الگوریتم مشخص و الگوریتم‌هایی با کمتر از 50 مقاله حذف شدند. سپس روند سالانه انتشار مقالات تحلیل شد. یک مدل سری زمانی مبتنی بر شبکه عصبی مصنوعی برای پیش‌بینی روند تحقیقات در دو سال آینده طراحی شد که الگوریتم‌های با بیشترین تمرکز پژوهشی را شناسایی می‌کند.
یافته‌ها: پس از حذف مقالات زیر حد آستانه، 2308 مقاله در هشت دسته شامل یادگیری عمیق، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، منطق فازی، خوشه‌بندی، درخت تصمیم، بیزین و رگرسیون لجستیک قرار گرفتند. هشت مدل سری زمانی با استفاده از داده‌های هفت سال گذشته، پیش‌بینی کردند که یادگیری عمیق و شبکه عصبی مصنوعی بیشترین تمرکز پژوهشی آینده را به خود اختصاص خواهند داد.
نتیجه‌گیری: این پژوهش نشان داد که آینده‌پژوهی رویکردی مؤثر برای انتخاب روش‌های تشخیص سرطان سینه است. نتایج نشان می‌دهد که الگوریتم‌های شبکه عصبی مصنوعی و یادگیری عمیق بهترین عملکرد را دارند و می‌توانند راهنمایی برای پژوهش‌های آینده باشند.
روش کار: این مطالعه با استخراج مقالات مرتبط با تشخیص سرطان سینه مبتنی بر هوش مصنوعی آغاز شد. تعداد مقالات مربوط به هر الگوریتم مشخص و الگوریتم‌هایی با کمتر از 50 مقاله حذف شدند. سپس روند سالانه انتشار مقالات تحلیل شد. یک مدل سری زمانی مبتنی بر شبکه عصبی مصنوعی برای پیش‌بینی روند تحقیقات در دو سال آینده طراحی شد که الگوریتم‌های با بیشترین تمرکز پژوهشی را شناسایی می‌کند.
یافته‌ها: پس از حذف مقالات زیر حد آستانه، 2308 مقاله در هشت دسته شامل یادگیری عمیق، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، منطق فازی، خوشه‌بندی، درخت تصمیم، بیزین و رگرسیون لجستیک قرار گرفتند. هشت مدل سری زمانی با استفاده از داده‌های هفت سال گذشته، پیش‌بینی کردند که یادگیری عمیق و شبکه عصبی مصنوعی بیشترین تمرکز پژوهشی آینده را به خود اختصاص خواهند داد.
نتیجه‌گیری: این پژوهش نشان داد که آینده‌پژوهی رویکردی مؤثر برای انتخاب روش‌های تشخیص سرطان سینه است. نتایج نشان می‌دهد که الگوریتم‌های شبکه عصبی مصنوعی و یادگیری عمیق بهترین عملکرد را دارند و می‌توانند راهنمایی برای پژوهش‌های آینده باشند.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1403/6/26 | پذیرش: 1403/10/5
دریافت: 1403/6/26 | پذیرش: 1403/10/5
فایل صوتی [M4A 2490 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. |
