ارزیابی قابلیت‌های یادگیری عمیق در فتوگرامتری پزشکی و درمان

یادگیری عمیق به عنوان یکی از شاخه‌های یادگیری ماشین، در زمینۀ پزشکی کاربردهای بسیاری دارد؛ چراکه حجم عظیمی از داده‌ها را جمع‌آوری کرده و از شبکه‌های عصبی برای ارائۀ بهترین نتایج بهره می‌گیرد. همچنین در تکنیک‌های تصویربرداری پزشکی مانند؛ ام‌آرآی، سی‌تی‌اسکن، نوار قلب، تشخیص بیماری‌های قلبی، سرطان و تومور مغزی استفاده می‌شود و به پزشکان کمک می‌کند تا بیماری را بهتر تجزیه تحلیل کنند. بنابراین سرعت در تشخیص افزایش یافته و احتمال بروز خطا نیز کاهش می‌یابد. همان‌طور که گفته شد روش‌های مبتنی بر یادگیری عمیق نیازمند مجموعه داده‌هایی وسیع و دقیق هستند که به کمک فتوگرامتری پزشکی می‌توانیم به آن دست یابیم. امروزه به کمک پردازش تصاویری که با کیفیت بالای گرافیکی توسط فتوگرامتری بردکوتاه اخذ شده‌اند، می‌توانیم مدل‌های سه‌بعدی را به عنوان نمونۀ منحصربه‌فردی از ضایعه یا قسمتی از بدن بیمار تولید کنیم؛ بنابراین پزشکان قادرند از هر زاویه و با بزرگ‌نمایی دلخواه خود آن را مشاهده کنند. فتوگرامتری پزشکی در مواردی از جمله بررسی رشد و حرکت، ساخت و توسعۀ انواع آتل، ارائۀ روش‌های جدید انواع جراحی، طراحی و ساخت اعضای مصنوعی بدن انسان، اندازه‌گیری و بررسی وضعیت زخم و ستون فقرات بیمار و حتّی دندان‌پزشکی کاربرد دارد. در این مقاله هدف بیان تاثیر یادگیری عمیق و شبکه‌های عصبی در علم پزشکی می‌باشد، بنابراین؛ به معرفی انواع روش‌های یادگیری عمیق و کاربردهای آنها در پزشکی، از جمله تشخیص و پیش‌بینی بیماری‌ها، جلوگیری از تقلب در بیمه، عوارض جانبی داروها و... با ذکر روش استفاده شده در هر موضوع و دقت حاصل از آن پرداخته شده است. همانطور که در ادامه آمده، روش‌های یادگیری عمیق در کاربردهای گوناگون، از دقت تقریبا 50 تا 100 درصدی برخوردارند و بنابراین می‌توانند در پزشکی بسیار موثر واقع شوند.

evaluation of deep learning capabilities in medical photogrammetry and therapy

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.