تشخیص سرطان ریه با استفاده از تصاویر سی تی اسکن و شبکه عصبی کانولوشن دو بعدی

سرطان ریه یکی از شایع‌ترین و مرگبارترین انواع سرطان در جهان است و تشخیص زودهنگام آن نقش کلیدی در افزایش نرخ بقا و بهبود درمان بیماران دارد. روش‌های مرسوم تصویربرداری، به‌ویژه سی‌تی‌اسکن، اطلاعات ارزشمندی در اختیار پزشکان قرار می‌دهد، اما تفسیر دقیق این تصاویر به دلیل حجم بالای داده و شباهت بصری میان بافت‌های سالم و توموری، نیازمند زمان و تخصص فراوان است. در سال‌های اخیر، بهره‌گیری از یادگیری عمیق و شبکه‌های عصبی کانولوشن دوبعدی (2d cnn) به عنوان روشی موثر برای تشخیص خودکار الگوهای پنهان در تصاویر پزشکی مورد توجه ویژه قرار گرفته است. در این پژوهش، با هدف طراحی مدلی کارآمد و سبک برای تشخیص خودکار سرطان ریه، از مجموعه‌داده‌ی عمومی iq-oth/nccd شامل 300 تصویر سی‌تی‌اسکن استفاده شد؛ که از این میان، 200 تصویر مربوط به بیماران مبتلا به سرطان ریه و 100 تصویر متعلق به افراد سالم بودند. تصاویر پس از پالایش اولیه و حذف نویز، تحت مراحل پیش‌پردازش شامل نرمال‌سازی شدت پیکسل‌ها، تغییر اندازه به ابعاد استاندارد 256×256 پیکسل و افزایش داده‌ها (data augmentation) قرار گرفتند. مدل طراحی‌شده شامل یک لایه کانولوشن دوبعدی برای استخراج ویژگی‌های مکانی، یک لایه فعال‌سازی relu، چهار لایه fully connected جهت یادگیری روابط سطح بالا، و در نهایت لایه softmax برای طبقه‌بندی نهایی بود. آموزش مدل با بهینه‌ساز adam و نرخ یادگیری 0٫001 در طی 50 دوره انجام شد. داده‌ها با نسبت 80 به 20 میان مجموعه‌های آموزش و آزمون تقسیم شدند. نتایج ارزیابی مدل با استفاده از ماتریس کانفیوژن نشان داد که شبکه طراحی‌شده عملکردی بسیار رضایت‌بخش دارد. دقت کلی مدل (accuracy) برابر با 92٪، حساسیت (sensitivity) برابر با 0٫925، ویژگی (specificity) برابر با 0٫90 و امتیاز f1 معادل 0٫936 به‌دست آمد. تحلیل نتایج نشان داد که مدل پیشنهادی قادر است با ساختاری ساده و حجم پارامتر کم، تفکیک موثری میان تصاویر سالم و سرطانی ایجاد کند. همچنین مقدار پایین خطاهای مثبت و منفی کاذب نشانگر پایداری و تعمیم‌پذیری مناسب مدل است. در مجموع، یافته‌های این پژوهش بیانگر آن است که استفاده از شبکه‌های عصبی کانولوشن دوبعدی می‌تواند ابزاری موثر برای تشخیص زودهنگام سرطان ریه از روی تصاویر سی‌تی‌اسکن باشد. سادگی معماری، دقت بالا و کارایی محاسباتی مناسب، این مدل را به گزینه‌ای بالقوه برای توسعه‌ی سیستم‌های هوشمند پشتیبان تصمیم‌گیری بالینی در حوزه‌ی تصویربرداری پزشکی تبدیل کرده است.