كليدواژه :
يادگيري عميق , شبكه‌هاي عصبي , هوش مصنوعي , فتوگرامتري پزشكي , پردازش تصوير
چكيده فارسي :
يادگيري عميق به عنوان يكي از شاخه‌هاي يادگيري ماشين، در زمينۀ پزشكي كاربردهاي بسياري دارد؛ چراكه حجم عظيمي از داده‌ها را جمع‌آوري كرده و از شبكه‌هاي عصبي براي ارائۀ بهترين نتايج بهره مي‌گيرد. همچنين در تكنيك‌هاي تصويربرداري پزشكي مانند؛ ام‌آرآي، سي‌تي‌اسكن، نوار قلب، تشخيص بيماري‌هاي قلبي، سرطان و تومور مغزي استفاده مي‌شود و به پزشكان كمك مي‌كند تا بيماري را بهتر تجزيه تحليل كنند. بنابراين سرعت در تشخيص افزايش يافته و احتمال بروز خطا نيز كاهش مي‌يابد. همانطور كه گفته شد روش‌هاي مبتني بر يادگيري عميق نيازمند مجموعه داده‌هايي وسيع و دقيق هستند كه به كمك فتوگرامتري پزشكي مي‌توانيم به آن دست يابيم. امروزه به كمك پردازش تصاويري كه با كيفيت بالاي گرافيكي توسط فتوگرامتري بردكوتاه اخذ شده‌اند، مي‌توانيم مدل‌هاي سه‌بعدي را به عنوان نمونۀ منحصربه‌فردي از ضايعه يا قسمتي از بدن بيمار توليد كنيم؛ بنابراين پزشكان قادرند از هر زاويه و با بزرگ‌نمايي دلخواه خود آن را مشاهده كنند. فتوگرامتري پزشكي در مواردي از جمله بررسي رشد و حركت، ساخت و توسعۀ انواع آتل، ارائۀ روش‌هاي جديد انواع جراحي، طراحي و ساخت اعضاي مصنوعي بدن انسان، اندازه‌گيري و بررسي وضعيت زخم و ستون فقرات بيمار و حتّي دندان‌پزشكي كاربرد دارد. در اين مقاله هدف بيان تاثير يادگيري عميق و شبكه‌هاي عصبي در علم پزشكي مي‌باشد، بنابراين؛ به معرفي انواع روش‌هاي يادگيري عميق و كاربردهاي آنها در پزشكي، از جمله تشخيص و پيش‌بيني بيماري‌ها، جلوگيري از تقلب در بيمه، عوارض جانبي داروها و... با ذكر روش استفاده شده در هر موضوع و دقت حاصل از آن پرداخته شده است. همانطور كه در ادامه آمده، روش‌هاي يادگيري عميق در كاربردهاي گوناگون، از دقت تقريبا 50 تا 100 درصدي برخوردارند و بنابراين مي‌توانند در پزشكي بسيار موثر واقع شوند.
چكيده لاتين :
Deep learning, as one of the branches of machine learning, has many applications in the field of medicine; Because it collects a huge amount of data and uses neural networks to provide the best results. Also in medical imaging techniques such as; MRI, CT scan, EKG are used to diagnose heart disease, cancer and brain tumor and help doctors to better analyze the disease. Therefore, the detection speed is increased and the probability of error is also reduced. As mentioned, deep learning-based methods require extensive and accurate data sets that we can achieve with the help of medical photogrammetry. Today, with the help of processing images that are obtained with high graphic quality by short-range photogrammetry, we can produce 3D models as a unique example of a lesion or a part of the patient s body; Therefore, doctors are able to observe it from any angle and with their desired magnification. Medical photogrammetry is used in cases such as examining growth and movement, making and developing various types of splints, presenting new surgical methods, designing and making artificial parts of the human body, measuring and examining the condition of a patient s wound and spine, and even dentistry. In this article, the aim is to express the impact of deep learning and neural networks in medical science, therefore; Various deep learning methods and their applications in medicine have been introduced, including diagnosis and prediction of diseases, prevention of insurance fraud, side effects of drugs, etc., by mentioning the method used in each subject and the resulting accuracy. As mentioned below, deep learning methods in various applications have an accuracy of approximately 50 to 100% and therefore can be very effective in medicine.
