دوره و شماره : آماده انتشار

نویسندگان : محمدجواد حسین پور* ¹

چکیده :
چکیده سرطان دهانه 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 می‌تواند بدون علائم باشد و به مراحل پیشرفته و خطرناک برسد. هدف این پژوهش، بهبود دقت و سرعت تشخیص سرطان دهانه رحم از طریق تحلیل تصاویر پاپ‌اسمیر با بهره‌گیری از روش‌های یادگیری ماشین است. در این مطالعه، شبکه‌های عصبی پیچشی (CNN) با سه الگوریتم طبقه‌بندی شامل K نزدیک‌ترین همسایه (KNN)، درخت تصمیم (DT) و ماشین بردار پشتیبان (SVM) ترکیب شدند تا تحلیل دقیق‌تری بر روی تصاویر پاپ‌اسمیر صورت گیرد. داده‌های مجموعه‌ی Herlev برای ارزیابی مدل پیشنهادی مورد استفاده قرار گرفتند و عملکرد مدل بر اساس معیارهای دقت، صحت، فراخوان و معیار F بررسی شد. نتایج نشان داد که روش پیشنهادی دقت 98.75%، صحت 97.50%، فراخوان 96.25% و معیار F برابر 96.87% را به دست آورده است. این یافته‌ها حاکی از توانایی بالای مدل پیشنهادی در تشخیص سلول‌های غیرطبیعی مرتبط با سرطان دهانه رحم است. در مجموع، ترکیب شبکه‌های عصبی پیچشی با الگوریتم‌های کلاسیک طبقه‌بندی توانسته است دقت بالایی در تشخیص سرطان دهانه رحم ارائه دهد و علاوه بر افزایش دقت تشخیصی، می‌تواند به بهبود فرآیندهای غربالگری و کاهش فشار بر سیستم‌های بهداشتی کمک کند.

کلمات کلیدی :
تصاویر پاپ¬اسمیر، نانوذرات کنتراست‌زا، طبقه¬بندی، یادگیری عمیق، دقت، شبکه عصبی.