تشخیص هیستوپاتولوژی سرطان پستان توسط شبکه‌های عصبی هم‌آمیختی بهبودیافته با سازوکارهای توجه

سرطان پستان به عنوان یکی از چالش‌های مهم بهداشت عمومی، نیازمند تشخیص دقیق و به‌موقع است. این مطالعه به بررسی تاثیر سازوکارهای توجه در شبکه‌های عصبی هم‌آمیختی (cnn) برای تحلیل تصاویر هیستوپاتولوژیک سرطان پستان می‌پردازد. با استفاده از سه سازوکار توجه شامل panet, danet و cbam، یک مدل cnn سفارشی طراحی شده است که به طور سیستماتیک عملکرد این سازوکارها را ارزیابی می‌کند. نتایج نشان می‌دهد که danet با دقت 02/93 درصد و auc-roc برابر با 70/97 درصد، بهترین عملکرد را در مقایسه با cbam و panet دارد. این برتری به تواناییdanet  در مدل‌سازی هم زمان وابستگی‌های مکانی و کانالی مربوط می‌شود که به آن اجازه می‌دهد بر مناطق کلیدی تصاویر تمرکز کند. همچنین، cbam با دقت قابل توجهی در شناسایی ویژگی‌های مهم، نتایج خوبی ارائه می‌دهد، در حالی که panet به دلیل ساختار سلسله‌مراتبی خود، عملکرد ضعیف‌تری داشت. این تحقیق نه‌تنها برتری سازوکارهای توجه را تایید می‌کند، بلکه راه‌حلی عملی برای کاهش خطاهای تشخیصی و حمایت از تصمیم‌گیری‌های بالینی ارائه می‌دهد. نتایج این مطالعه می‌تواند به توسعه ابزارهای تشخیصی پیشرفته و بهبود نتایج درمانی بیماران کمک کند.