ارائه روشی برای طبقه‌بندی تومورهای بدخیم در تشخیص سینه با استفاده شبکه‌های عصبی کانولوشن پیچیده

سرطان سینه یکی از علل اصلی مرگ و میر در میان زنان است و نیازمند روش‌های تشخیصی پیشرفته برای تشخیص زودهنگام و دقیق است. مدل‌سازی سرطان سینه با استفاده از شبکه‌های پیچیده شامل نمایش تعاملات بیولوژیکی به عنوان گره‌ها و لبه‌ها برای کشف مکانیسم‌های بیماری و پیش‌بینی پیشرفت یا پاسخ‌های درمانی از طریق تجزیه و تحلیل توپولوژیکی و دینامیکی است. تکنیک‌های سنتی، مانند ماموگرافی و بیوپسی، اغلب با محدودیت‌هایی در حساسیت و تفسیرپذیری مواجه هستند. این مقاله یک روش داده‌کاوی جدید برای شناسایی سرطان سینه با استفاده از طبقه‌بندی تومور از طریق شبکه‌های عصبی پیچشی گراف (gcnn) ارائه می‌دهد. برخلاف مدل‌های یادگیری عمیق مرسوم، gcnn به طور موثر ویژگی‌های رابطه‌ای پیچیده را در داده‌های غیراقلیدسی ثبت می‌کند و آنها را برای تجزیه و تحلیل ساختارهای تومور ایده‌آل می‌سازد. روش پیشنهادی، داده‌های تصویربرداری پزشکی و هیستوپاتولوژی را در مرحله پیش‌پردازش به نمایش‌های گراف تبدیل می‌کند و امکان استخراج و طبقه‌بندی قوی ویژگی‌ها را فراهم می‌کند. نتایج شبیه‌سازی روش پیشنهادی بر روی مجموعه داده‌های دنیای واقعی نشان می‌دهد که روش پیشنهادی در مقایسه با روش‌های مرسوم از نظر دقت مدل یادگیری، سرعت اجرای فرآیند یادگیری و تشخیص از دست دادن دقت، عملکرد بهتری دارد. از سوی دیگر، نتایج نشان می‌دهد که هرچه کیفیت تصاویر تومور بالاتر باشد، مدل یادگیری با دقت بیشتری انواع تومور را پیش‌بینی می‌کند.