انقلابی درغربالگری سرطان پستان Deep Learning Imaging:

زمینه و هدف: سرطان پستان یکی از سرطان های شایع و با مرگ و میر بالا در بین زنان است. البته این سرطان، با غربالگری به موقع یکی از سرطان های با پیش آگهی خوب است. غربالگریهای منظم ماموگرافیک، تشخیص به موقع آن را دو برابر کرده است. غربالگری با رویکردهای متفاوتی انجام می شود؛ ولی امکان تشخیص قطعی و افتراقی وجود ندارد. بنابراین امروزه، رویکرد جدیدی تحت عنوان Deep Learning Imaging در تشخیص به موقع سرطان پستان کارآمد است. این مقاله مروری سیستماتیک با هدف تعیین نقش Deep Learning در غربالگری سرطان پستان انجام شده است. روش جست و جو: این مقاله مروری نظامنددرسال ۱۳۹۸، با جستجوی نظامندو منطبق بر رویکرد استراتژی جست و جوی دانشگاهی و با جست وجو در پایگاههای ,Science direct Springer, SID , MagIran , Elsevier , PubMed Google scholar و با کلیدواژه های سرطان پستان،,Screening Mammography, Deep Learning ,Cancer Breastدر فاصله زمانی ۲۰۱۴_۲۰۱۸ انجام شده است . در جست و جوی اولیه ۱۰۰ مقاله یافت شدکه بانرم افزاراندنوت ۳۳ مقاله تکراری بودندوحذف شدند. سپس براساس معیارهای ورودی همچون در دسترس بودن متن کامل مقاله فارسی انگلیسی زبان بودن، ۶۷ مطالعه انتخاب شدند. سپس دو پژوهشگر هریک بطور جداگانه اهداف، روش کاروچکیده مطالعات را بررسی کردند و در مجموع ۲۱ مقاله وارد مطالعه شدند. یافته ها: روش Deep Learning اطلاعات زیادی رادر تشخیص تغییرات فاکتور ,(ER (Estrogen Factorعامل پیش آگهی دهنده سرطان، در پیش زمینه سرطان پستان ارائه می کند. هم چنین، تفسیر زیست شناختی راههای عبوری عوامل سرطان آشکار می شود، این درحالی است که با سايرالگوریتم های آموزشی قبلی، قابل فهم نیست. این روش همچنین، در تشخیص صحیح ضایعات بدخیم، ضایعات خوش خیم و یا موارد منفی کاذب کمک به سزایی میکند بعضی از الگوریتم های Deep Learning نسبت به پاتولوژیست های مجرب تمام وقت بهتر عمل میکنند؛ بطوریکه حتی، بهترین پاتولوژیست ها بیش از ۳۷ درصد موارد میکرومتاستاتیک را درنظر نمی گیرند.دو شرط اصلی برای انجام این روش وجود دارد: ۱. تصاویر گرفته شده باید با وضوح تصویری بالا باشند. ۲. ضروری است که از تعداد زیادی تصاویر مختلف استفاده شود تا باعث سهولت در تشخیص غربالگری ها و اشباع مرکز داده ها شود. Deep Learning این پتانسیل را دارد که برای تشخیص بافت سرطانی پستان از روی ماموگرافی ها به کمک رادیولوژیست ها بیاید، تصور بر آن است که این سیستم در آینده، با استفاده از حجم اطلاعاتی بالا و قدرت الگوریتمی مناسب بتواند در دسترس باشد. نتیجه گیری: Deep Learning میتواند سطح عملکردی فعلی تحلیل تصاویر پزشکی را به سرعت بهبود دهد.انتظار میرود، که یادگیری عمیق تکنولوژی اصلی در تجزیه و تحلیل تصاویر پزشکی در چند دهه آینده برای طراحی سیستم های (CAD ( Computer Aided Diagnosis باشد. پیشرفت های اخیر در پردازش تصاویر پزشکی مبتنی بر یادگیری عمیق (Deep Learningبه کمک شبکه های عصبی، مبنایی برای سیستم CAD است. Deep Learning این توانایی را دارد که برای تشخیص دقیق تر و سریع تر در خدمت پزشکان و رادیولوژیست ها باشد و هم کمکی به بیماران از نظر جنبه های اقتصادی، روانی کند.