مهدی حاجی زاده - گروه مهندسی پزشکی،واحد تبریز،دانشگاه آزاد اسلامی تبریز ، ایران
سیامک حقی پور - گروه مهندسی پزشکی،واحد تبریز،دانشگاه آزاد اسلامی تبریز ، ایران

در این مقاله از تشخیص تصویر هوش مصنوعی برای بدست آوردن تصویر آندوسکوپی گوارشی استفاده می کنیم، و تصویر را براساس الگوریتم لبه یادگیری عمیق ۵G پردازش می کنیم تا درباره نوع بیماری قضاوت کنیم و سپس برنامه درمانی را در نظر بگیریم. ترکیب شبکه ناحیه بدنی و فناوری رایانش لبه می تواند تقاضایی با تاخیر کم را در شبکه ناحیه بدن برآورده کند. در این مورد، گره گیت وی شبکه ناحیه بدنی محدود شده با منابع می تواند داده های فیزیولوژیکی جمع آوری شده را با یک وظیفه قابل بارگیری پردازش کند، و سپس با توجه به یک استراتژی خاص، وظایف و داده ها را در گره محاسباتی لبه تخلیه کند. گره رایانش لبه، پردازش مرتبط با وظیفه و ذخیره سازی داده را تکمیل می کند، و در نهایت نتایج را به موسسات پزشکی مربوطه و کاربران شبکه ناحیه بدنی برای خواندن تشخیص کمکی و درمان بیماری ها ارائه می دهد. تحقیقات نشان داده اند که براساس الگوریتم لبه یادگیری عمیق ۵G تحت تشخیص تصویر هوش مصنوعی آندوسکوپی گوارشی، ۲۵% بیماران مبتلا به پولیپ روده دارای سلول های CD۴ در خون محیطی هستند. تعداد لنفوسیت ها در گروه تمایز کمتر از ۲۰۰ μL بود، و RNA خونی در ۹۲.۳% بیماران کمتر از IU/ml۱۰۰ بود، در حالی که CTP فام (پپتید A-حلقه ای) کمتر از ۱۰۰ IU/ml بود. عفونت های فرصت طلب روده و ویروس ها می توانند به صورت مستقیم باعث آنتروپاتی شوند زیرا شدت فلورسنس پروب در اصل بدون تغییر باقی می ماند و نمی تواند یک ساختار مارپیچ سه گانه را شکل دهد. الگوریتم لبه یادگیری عمیق ۵G در مقایسه با الگوریتم ساده یولو از نظر دقت تشخیص ویژگی در این مقاله، دقت را تا ۶۸% بهبود می دهد و از نظر سرعت مشابه است. دقت و سرعت به ترتیب در مقایسه با الگوریتم RCNN تا ۲۱% و ۸۵% بهبود می یابند. بنابراین، الگوریتم لبه یادگیری عمیق ۵G مبتنی بر تشخیص تصویر هوش مصنوعی دارای مزایای دقت و سرعت در آندوسکوپی گوارشی پزشکی هوشمند است.

ساخت و ساز هوشمند پزشکی، تشخیص تصویر هوش مصنوعی، الگوریتم لبه یادگیری عمیق ۵G، آندوسکوپی گوارشی