تشخیص سرطان پستان در تصاویر هیستوپاتولوژیک با رویکرد یادگیری عمیق با استفاده از روش cnn+lstm

سرطان پستان دومین سرطان شایع در جهان است. با استفاده از سیستم های تشخیص خودکار می توان درزمان کوتاه تر و با دقت بالاتری آن را تشخیص داد و شانس درمان را افزایش داد. پژوهش‌های بسیاری از روش‌های مبتنی بر هوش مصنوعی به ویژه روش‌های یادگیری ماشین و یادگیری عمیق برای تشخیص سرطان پستان با استفاده از تصاویر هیستوپاتولوژیک استفاده کرده اند. این مقاله مروری، به بررسی پژوهش هایی می پردازد که از مدل cnn+lstm برای تشخیص سرطان پستان با استفاده از تصاویر هیستوپاتولوژیک استفاده نمودند. در پژوهش های مشابه، مدل cnn+lstm در استخراج ویژگی های پنهان و همبستگی بین متغیرهای فیزیولوژیکی عملکرد خوبی داشته است. از این رو می‌توان انتظار داشت این روش برای تشخیص سرطان پستان نیز عملکرد خوبی داشته باشد. یکی از چالش های مدل cnn+lstm، همانند دیگر معماری‌های شبکه عصبی عمیق، آموزش مجموعه داده‌های بزرگ می‌باشد. از یک طرف آموزش مجموعه داده های بزرگ زمان بر می‌باشد و از طرفی دیگر استفاده از مجموعه داده های بزرگ می‌تواند دقت تشخیص را بیشتر کند. در این مدل، از cnn برای استخراج ویژگی و از lstm برای طبقه بندی استفاده می‌شود. نتایج مطالعات بررسی شده نشان داده است که روش cnn+lstm در مقایسه با سایر روش های یادگیری عمیق عملکرد قابل اعتمادی برای تشخیص سرطان پستان دارد.