ارائه یک مدل آینده‌پژوهی برای انتخاب مدل مناسب تشخیص سرطان سینه

مقدمه: انتخاب مدل مناسب برای تشخیص سرطان سینه اهمیت زیادی دارد، زیرا مدل‌های نامناسب ممکن است دقت تشخیص را کاهش دهند و منجر به نتایج نادرست شوند. این خطاها می‌توانند به تصمیم‌گیری‌های نادرست بالینی منجر شوند. در این راستا، آینده‌پژوهی می‌تواند ابزار موثری برای شناسایی و انتخاب مدل‌های مناسب تشخیصی باشد.روش کار: این مطالعه با استخراج مقالات مرتبط با تشخیص سرطان سینه مبتنی بر هوش مصنوعی آغاز شد. تعداد مقالات مربوط به هر الگوریتم مشخص و الگوریتم‌هایی با کمتر از 50 مقاله حذف شدند. سپس روند سالانه انتشار مقالات تحلیل شد. یک مدل سری زمانی مبتنی بر شبکه عصبی مصنوعی برای پیش‌بینی روند تحقیقات در دو سال آینده طراحی شد که الگوریتم‌های با بیشترین تمرکز پژوهشی را شناسایی می‌کند.یافته‌ها: پس از حذف مقالات زیر حد آستانه، 2308 مقاله در هشت دسته شامل یادگیری عمیق، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، منطق فازی، خوشه‌بندی، درخت تصمیم، بیزین و رگرسیون لجستیک قرار گرفتند. هشت مدل سری زمانی با استفاده از داده‌های هفت سال گذشته، پیش‌بینی کردند که یادگیری عمیق و شبکه عصبی مصنوعی بیشترین تمرکز پژوهشی آینده را به خود اختصاص خواهند داد.نتیجه‌گیری: این پژوهش نشان داد که آینده‌پژوهی رویکردی موثر برای انتخاب روش‌های تشخیص سرطان سینه است. نتایج نشان می‌دهد که الگوریتم‌های شبکه عصبی مصنوعی و یادگیری عمیق بهترین عملکرد را دارند و می‌توانند راهنمایی برای پژوهش‌های آینده باشند.

providing a foresight model for selecting the appropriate breast cancer diagnosis model

introduction: selecting an appropriate model for breast cancer diagnosis is critical. unsuitable models can compromise diagnostic accuracy, lead to incorrect outcomes, and impact clinical decision-making. in this context, foresight models are valuable tools for identifying and selecting the most effective diagnostic models. the objective of this study was to identify optimal models for breast cancer detection using foresight models. method: this study began by extracting articles related to artificial intelligence-based breast cancer diagnosis. the number of articles associated with each algorithm was determined, and algorithms referenced in fewer than 50 articles were excluded. subsequently, annual publication trends were analyzed. a time series model based on artificial neural networks was developed to predict research trends over the next two years and to identify the algorithms expected to receive more research attention. results: after applying the exclusion criteria, a total of 2,308 articles were categorized into eight groups: deep learning, artificial neural networks, support vector machines, fuzzy logic, clustering, decision trees, bayesian methods, and logistic regression.  additionally, eight time series models were constructed using data from the past seven years, predicting that deep learning and artificial neural networks will lead future research efforts in breast cancer diagnosis. conclusion: this study highlights the effectiveness of foresight as a methodological approach for selecting optimal techniques for breast cancer diagnosis. the results indicate that artificial neural networks and deep learning demonstrate superior performance and are likely to be pivotal methodologies for future research in this area.