مجله دانشکده پزشکی دانشگاه علوم پزشکی مشهد، جلد ۶۸، شماره ۲، صفحات ۱۶۹-۱۸۴
عنوان فارسی پیش بینی بقای سرطان سینه به کمک شبکه یادگیری عمیق و داده های چند وجهی
چکیده فارسی مقاله سرطان سینه به‌عنوان یکی از سرطان‌های رایج و مهم، نقش بسزایی در افزایش نرخ مرگ و میر در زنان دارد. در حال حاضر، داده‌های چندوجهی مرتبط با سرطان، از جمله جزئیات ژنومی، تصاویر ماموگرافی و اطلاعات بالینی، در دسترس قرار گرفته است که این امر باعث شده تا توجه بیشتری به توسعه مدل‌های پیشرفته یادگیری عمیق برای پیش‌بینی بقای سرطان سینه شود. در این تحقیق، یک مدل یادگیری عمیق مبتنی بر شبکه‌های عصبی پیچشی با استفاده از داده‌های چندوجهی برای پیش‌بینی بقای سرطان سینه پیشنهاد می‌شود که ویژگی‌های مهمی را برای افزایش دقت این پیش‌بینی تولید می‌کند. روش پیشنهادی دارای دو فاز است؛ در فاز اول از یک شبکه عصبی پیچشی برای استخراج ویژگی‌های موثر استفاده می‌شود و در فاز دوم، این ویژگی‌ها، برای انجام فرآیند پیش‌بینی بقای سرطان سینه به کار گرفته می‌شوند. نتایج آزمایشات نشان داد که در حالتی که از داده های بالینی استفاده گردید دقت روش پیشنهادی 34/98 حاصل گردید و در حالت بدون استفاده از این داده ها دقت 21/97 حاصل گردید که حاکی از این است مدل پیشنهادی این تحقیق نسبت به مدل‌های مقایسه‌شده، بهبود قابل توجهی داشته است. به‌علاوه، نتایج نشان می‌دهند که استفاده از داده‌های بالینی در ارتقاء دقت و عملکرد مدل پیشنهادی مؤثر می‌باشد.
کلیدواژه‌های فارسی مقاله سرطان سینه، ماموگرافی، پیش بینی بقای سرطان سینه، یادگیری عمیق، شبکه عصبی پیچشی
عنوان انگلیسی Prediction of breast cancer survival using deep learning network and multivariate data
چکیده انگلیسی مقاله Breast cancer, as one of the most common and significant cancers, plays a major role in increasing mortality rates among women. Currently, multi-modal cancer-related data, including genomic details, mammography images, and clinical information, are available, which has led to increased focus on developing advanced deep-learning models for predicting breast cancer survival. This study proposes a deep learning model based on convolutional neural networks (CNN) for predicting breast cancer survival using multi-modal data. This model extracts crucial features to enhance prediction accuracy. The proposed method comprises two phases: in the first phase, a CNN is used to extract effective features, and in the second phase, these features are employed to predict breast cancer survival. The experimental results demonstrated that the proposed method achieved an accuracy of 98.34% when clinical data were utilized, and 97.21% without clinical data. This indicates that the proposed model significantly outperforms the compared models. Moreover, the results show that incorporating clinical data is instrumental in improving the accuracy and performance of the proposed model.
کلیدواژه‌های انگلیسی مقاله Breast Cancer, Mammography, breast cancer survival prediction, Deep learning, convolutional neural network (CNN)
نویسندگان مقاله فاطمه جلالی | Fateme Jalali
Department of Engineering, Shahrood Institute of Higher Education (non-profit), Shahrood, Iran
کارشناسی ارشد، گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه عالی شاهرود (غیر انتفاعی)، شاهرود، ایران.

محمدمهدی حسینی | Mohammadmehdi Hosseini
Assistant Professor, Computer Department, Technical and Engineering Faculty, Shahrood Branch, Islamic Azad University, Shahrood, Iran
استادیار، گروه کامپیوتر، دانشکده فنی و مهندسی، واحد شاهرود، دانشگاه ازاد اسلامی ، شاهرود، ایران

نشانی اینترنتی https://mjms.mums.ac.ir/article_24830.html
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات