کاربردهای یادگیری عمیق در تصویربرداری سرطان پستان: دستاوردهای گذشته و چالش های آینده

از سال 2020، سرطان سینه به شایع ترین بدخیمی تشخیص داده شده در سراسر جهان تبدیل شده است. نقش تصویربرداری پستان در تشخیص زودهنگام و مداخله برای بهبود نتایج بیمار بسیار مهم است. در دهه گذشته، یادگیری عمیق انقلابی در تجزیه و تحلیل تصویربرداری سرطان پستان ایجاد کرده است و پیشرفت های قابل توجهی در تفسیر داده های پیچیده از روش های مختلف تصویربرداری ارائه می دهد. با تکامل سریع فناوری یادگیری عمیق و افزایش بروز سرطان سینه، مرور دستاوردهای گذشته و شناسایی چالش های آینده ضروری است. این مقاله بررسی گسترده ای از تحقیقات تصویربرداری سرطان پستان مبتنی بر یادگیری عمیق را ارائه می دهد که بر مطالعات مربوط به ماموگرافی، سونوگرافی، تصویربرداری تشدید مغناطیسی و تصاویر آسیب شناسی دیجیتال در ده سال گذشته تمرکز دارد. روش های یادگیری عمیق اولیه و کاربردهای آنها در غربالگری، تشخیص، پیش بینی پاسخ درمان و پیش آگهی مبتنی بر تصویربرداری را برجسته می کند. بر اساس یافته های تحقیق، چالش ها مورد بحث قرار می گیرد و جهت های تحقیقاتی بالقوه آینده در تصویربرداری سرطان پستان مبتنی بر یادگیری عمیق پیشنهاد می شود.

deep learning applications in breast cancer imaging: past achievements and future challenges

since 2020, breast cancer has become the most frequently diagnosed malignancy worldwide. the role of breast imaging in early detection and intervention is critical for improving patient outcomes. in the past decade, deep learning has revolutionized the analysis of breast cancer imaging, providing significant advancements in interpreting the complex data from various imaging modalities. with the rapid evolution of deep learning technology and the increasing incidence of breast cancer, it is essential to review past achievements and identify future challenges. this paper offers an extensive review of deep learning-based breast cancer imaging research, focusing on studies involving mammograms, ultrasound, magnetic resonance imaging, and digital pathology images over the last ten years. it highlights the primary deep learning methods and their applications in imaging-based screening, diagnosis, treatment response prediction, and prognosis. based on the research findings, we discuss the challenges and propose potential future research directions in deep learning-based breast cancer imaging.