|
Title
|
یک روش مبتنی بر K-means و یادگیری عمیق برای تشخیص زود هنگام سرطان کبد ضمن کاهش مشکل شروع سرد
|
|
Type of Research
|
Thesis
|
|
Keywords
|
تشخیص سرطان، مسئله شروع سرد، یادگیری عمیق، خوشه بندی، سرطان کبد، تشخیص زودهنگام
|
|
Abstract
|
تشخیص اختلالات کبدی با آزمایشات بالینی که بیشتر متکی به آزمایش خون است تا حدودی قابل شناسایی است و تشخیص دقیق بیماری های کبدی و بروز سرطان به تبحر و تجربه پزشک بستگی دارد. داده های موجود در پرونده بیماران کبدی اگر هدفمند تجزیه و تحلیل شوند اطلاعات با ارزشی را در اختیار پزشکان قرار می دهد و می توانند به کمک این اطلاعات مفید با دقت بیشتری افراد بیمار را از افراد سالم تشخیص دهند در واقع پزشکان برای تشخیص انواع بیماری ها از جمله بیماری کبد و سرطان های مرتبط با آن یک طبقه بندی را به کار می برند و بر اساس مجموعه ای از ویژگی ها تشخیص می دهند یک شخص در دسته بیمار یا سالم قرار داده شود. اگرچه تلاش ها و فعالیت های زیادی در این حوزه انجام شده است، با اینحال هنوز دلیل علمی برای افزایش شمار بیماران مبتلا به انواع مختلف سرطان ها شناخته نشده است. یکی از مشکلات اصلی در تشخیص و درمان انواع مختلف سرطان ها، تشخیص دیرهنگام این بیماری ها است که عملاً فرایند درمان را طولانی کرده و یا آمار مرگ و میرها را افزایش می دهد. در حقیقت تشخیص سرطان و انواع بیماری های زودهنگام به صورت غیرتهاجمی یک ضرورت و الزام در بقای انسان ها و بهبود شرایط زندگی سالم محسوب می شود. از اینرو، کماکان ارائه یک رویکرد مناسب با دقت تشخیصی بالا و هزینه محاسباتی پائین در کاربر مورد هدف ارزش علمی و پژوهشی بالایی دارد. همانطور که میدانیم استفاده از تکنیک های یادگیری ماشین برای تشخیص بیماری ها به خودی خود مشکل شروع سرد در زمان یادگیری داده های آموزشی را به همراه دارند و این یک چالش اساسی در سیستم های مهم حیاتی محسوب می شوند. در روش های مبتنی بر داده کاوی و یادگیری ماشین بااینکه تشخیص به صورت هوشمند و عاری از خطای انسانی انجام می شود. اما در اغلب روش های موجود، مشکل شروع سرد همچنان وجود دارد. از این رو ماسعی کردیم با ارائه یک روشی جدید ضمن تشخیص زود هنگام سرطان کبد به صورت غیرتهاجمی به کاهش مشکل سرد نیز بپردازیم.
|
|
Researchers
|
rogayyeh sefidgar (Student)، Mahdi Hashemzadeh (Primary Advisor)، Nacer Farajzadeh (Advisor)
|