سرطان دهانه‌‌ی رحم، یکی از شایع‌ترین انواع سرطان در میان زنان است که به دلیل ارتباط آن با ویروس پاپیلومای انسانی (HPV)، تهدیدی جدی برای سلامت محسوب می‌شود. این بیماری در مراحل اولیه، معمولاً بدون علائم است و می‌تواند به مراحل پیشرفته و خطرناک برسد. هدف این پژوهش، افزایش دقت و سرعت تشخیص سرطان دهانه‌‌ی رحم از طریق تحلیل تصاویر پاپ‌اسمیر با بهره‌گیری از روش‌های یادگیری ماشین و فناوری‌های نوین بیومتریال است. در این مطالعه، به‌منظور افزایش کنتراست و بهبود کیفیت تصاویر پاپ‌اسمیر، از نانوذرات کنتراست‌زا استفاده شده است. سپس تصاویر اصلاح‌شده، با استفاده از شبکه‌های عصبی پیچشی (CNN) و سه الگوریتم طبقه‌بندی، شامل K نزدیک‌ترین همسایه (KNN)، درخت تصمیم (DT) و ماشین بردار پشتیبان (SVM) مورد تحلیل قرار گرفتند. مجموعه‌داده‌‌ی Herlev برای ارزیابی مدل پیشنهادی به کار گرفته شد و عملکرد مدل بر اساس معیارهای دقت، صحت، فراخوان و معیار F مورد بررسی قرار گرفت. نتایج، نشان داد که روش پیشنهادی، به ترتیب دقت 75/98%، صحت 50/97%، فراخوان 25/96% و معیار F برابر با 87/96% را به دست آورده است. این یافته‌ها، بیانگر توانمندی بالای مدل در شناسایی سلول‌های غیرطبیعی مرتبط با سرطان دهانه‌‌ی رحم هستند. درمجموع، تلفیق فناوری نانو با روش‌های یادگیری ماشین، می‌تواند به بهبود فرآیندهای تشخیص، ارتقای دقت غربالگری و کاهش فشار بر سیستم‌های بهداشتی کمک کند.

تصاویر پاپ‌اسمیر نانوذرات کنتراست‌زا طبقه‌بندی یادگیری عمیق دقت شبکه‌‌ی عصبی