تشخيص سرطان پستان در تصاوير هيستوپاتولوژيك با رويكرد يادگيري عميق با استفاده از روش CNN+LSTM

سرطان پستان دومين سرطان شايع در جهان است. با استفاده از سيستم هاي تشخيص خودكار مي توان درزمان كوتاه تر و با دقت بالاتري آن را تشخيص داد و شانس درمان را افزايش داد. پژوهش‌هاي بسياري از روش‌هاي مبتني بر هوش مصنوعي به ويژه روش‌هاي يادگيري ماشين و يادگيري عميق براي تشخيص سرطان پستان با استفاده از تصاوير هيستوپاتولوژيك استفاده كرده اند. اين مقاله مروري، به بررسي پژوهش هايي مي پردازد كه از مدل CNN+LSTM براي تشخيص سرطان پستان با استفاده از تصاوير هيستوپاتولوژيك استفاده نمودند. در پژوهش هاي مشابه، مدل CNN+LSTM در استخراج ويژگي هاي پنهان و همبستگي بين متغيرهاي فيزيولوژيكي عملكرد خوبي داشته است. از اين رو مي‌توان انتظار داشت اين روش براي تشخيص سرطان پستان نيز عملكرد خوبي داشته باشد. يكي از چالش هاي مدل CNN+LSTM، همانند ديگر معماري‌هاي شبكه عصبي عميق، آموزش مجموعه داده‌هاي بزرگ مي‌باشد. از يك طرف آموزش مجموعه داده هاي بزرگ زمان بر مي‌باشد و از طرفي ديگر استفاده از مجموعه داده هاي بزرگ مي‌تواند دقت تشخيص را بيشتر كند. در اين مدل، از CNN براي استخراج ويژگي و از LSTM براي طبقه بندي استفاده مي‌شود. نتايج مطالعات بررسي شده نشان داده است كه روش CNN+LSTM در مقايسه با ساير روش هاي يادگيري عميق عملكرد قابل اعتمادي براي تشخيص سرطان پستان دارد.