تشخیص سرطان پستان در سطح مولکولی سلولی با رویکرد هوش مصنوعی

نوع مقاله : مقاله کامپیوتر

نویسندگان

1 گروه مهندسی کامپیوتر، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران

2 گروه مهندسی کامپیوتر، دانشکده فنی، دانشگاه یاسوج، یاسوج، ایران

چکیده

سرطان پستان شایع ترین سرطان در زنان است. ضرورت تشخیص این بیماری در مراحل اولیه شانس درمان را افزایش می‌دهد. هدف این پژوهش ارائه روشی برای تشخیص زود هنگام، با غربالگری دقیق و سریع سرطان پستان با کم کردن خطاهای انسانی و بالا بردن شانس افزایش طول عمر افراد و کاهش میزان مرگ و میر با رویکرد هوش مصنوعی در پزشکی می‌باشد. در پیاده‌سازی این پژوهش کاربردی و نظارت شده از دو مجموعه داده میکروسکوپی هیستوپاتولوژیک، به ترتیب شامل 124 و 576 بیمار مبتلا به سرطان کارسینوم مجرای تهاجمی پستان استفاده شده است. در ابتدا پیش پردازش داده‌ها و بهبود کیفیت تصاویر، سپس بخش‌بندی تصاویر با شبکه U-Net جهت جدا‌سازی سلول‌های سرطانی از بافت سالم سینه و حذف داده‌های پرت انجام شده است، سپس با ترکیب شبکه ‌های عصبی عمیق استخراج ویژگی‌های موثر صورت گرفته و با روش رای اکثریت داده‌ها طبقه‌بندی و سیستم غربالگری تشخیصِ گرید تومور‌های سرطان کارسینوم مجرای تهاجمی پستان ایجاد گردیده است. سیستم پیشنهادی با استخراج ویژگی‌های سطح بالا با دقت92% و 93%، حساسیت 96% و 93% و صحت 91% و 91% و AUC 98% و 95% در دو مجموعه داده متفاوت، با کمترین خطا و سرعت بالای تشخیص، بهترین عملکرد را در تشخیص و طبقه‌بندی سرطان پستان داشته که از ویژگی‌های این پژوهش نسبت به سایر تحقیقات می‌باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

diagnosis of breast cancer at the molecular - cellular level with an artificial intelligence approach

نویسندگان [English]

  • samira asadzadeh 1
  • Bahman Ravaei 2
1 Department of Computer Engineering, Marvdasht Branch, Islamic Azad University, Marvdasht, Iran
2 Department of Computer Engineering. Yasouj University, Yasouj, Iran
چکیده [English]

Breast cancer is the most common cancer in women. The need to diagnose this disease in the early stages increases the chance of treatment. Individuals and reduction of mortality with artificial intelligence approach in medicine. In implementing this applied and supervised study, a histopathological microscopic two data set, including respectively 124 and 576 patients with invasive breast cancer was used. Data preprocessing and image quality improvement, then image segmentation with U-Net network to separate cancer cells from healthy breast tissue and remove pert data, then by combining deep neural networks to extract effective features and by method The majority of data is based on the classification and screening system for the diagnosis of invasive breast cancer carcinoma. Performance in diagnosis and classification Breast cancer is one of the features of this study compared to other studies. According to the results obtained, this study is a step towards helping physicians and specialists in increasing the accuracy and sensitivity of breast cancer screening at the most optimal time, to the lesions. Triad the high risk to appropriate secondary care and increase patients' chances of survival with timely treatment.

کلیدواژه‌ها [English]

  • Artificial intelligence
  • Segmentation
  • Classification
  • Collective learning
  • Breast Cancer

مراجع

  1. Łukasiewicz, M. Czeczelewski, A. Forma, ans et al., "Breast Cancer Epidemiology, Risk Factors, Classification, Prognostic Markers, and Current Treatment Strategies an Updated Review", Cancers, Vol.13, NO.4287, August 2021, pp. 42-87. DOI:10. 3390/cancers13174287.
  2. Karidio and S. Sanlier, "Reviewing cancer’s biology: an eclectic approach", J Egypt Natl Canc Inst Vol.33, NO.32, November 2021, pp. 1-17. DOI:  10. 1186/s43046-021-00088-y.
  3. Baghban, L. Roshangar, R. Jahanban Esfahlan and et al., "Tumor microen vironment complexity and therapeutic implications at a glance", Cell Commun Signal Vol.18, NO.59. April 2020, pp.1-19. DOI: 10. 1186/s12964-020-0530-4.
  4. M Jafari and M. Hasanzadeh, "Non-invasive bioassay of Cytokeratin Fragment 21. 1 (Cyfra 21. 1) protein in human saliva samples using immunoreaction method: An efficient platform for early-stage diagnosis of oral cancer based on biomedicine", Biomedicine and Pharmacotherapy, Vol 131. NO. 110671, November 2020, pp.1-14.
  5. L. Niedzwiedz, L. Knifton, K.A. Robb, and et al., "Depression and anxiety among people living with and beyond cancer: a growing linical and research priority", BMC Cancer Vol.19, NO.943, October 2019, pp. 1-8. DOI: 10. 1186/s12885-019-6181-4.
  6. Sechopoulos, J. Teuwen and R. Mann, "Artificial intelligence for breast cancer detection in mammography and digital breast tomosynthesis: State of the art, Seminars in Cancer Biology" Vol. 72. July 2021, pp.214-225. DOI: 10.1016/j. semcancer. 2020.06. 002.
  7. M. McKinney, M. Sieniek and et al., "International evaluation of an AI system for breast cancer screening", Nature,  January 2020, pp. 89-94. DOI: 10.1038/s41586-019-1799-6.
  8. H. Lin and B.K. Kujabi, "Chuang C-L, Lin C-S, Chiu C-J. Application of Deep Learning to Construct Breast Cancer Diagnosis Model", Applied Sciences, Vol.12(4), NO.1957, February 2022, pp.19-57. DOI:10. 3390/app12041957
  9. A. Alanazi, M.M. Kamruzzaman and et al., "Boosting Breast Cancer Detection Using Convolutional Neural Network", Journal of Healthcare Engineering, Vol.2021, April 2021, pp. 1-11.  DOI: 10. 1155/2021/5528622.
  10. امین رضایی پناه، علی مبارکی و سعید بحرانی خادمی، "بهینه سازی شبکه عصبی  MLPبا استفاده از الگوریتم ژنتیک موازی FinGrain  برای تشخیص سرطان سینه"، نشریه مدلسازی در مهندسی، دوره 17 ، شماره 57، تیر 1398، صفحه 173-186.
  11. اصغر زارع و علی محمدزاده، "حذف نویز ضربه‌ای از تصاویر دیجیتالی مبتنی بر تخمین توزیع مکانی نویزها"، نشریه مدلسازی در مهندسی، دوره 12، شماره39 ، زمستان 1393،  صفحه 1-17.
  12. پانیذ تیموری، مهدی مزینانی و راحیل حسینی، "ارایه یک مدل هوشمند قطعه‌بندی مبتنی بر منطق فازی و تبدیل موجک گسسته در تصاویر دیجیتالی جهت شناسایی سرطان معده" نشریه مدل سازی در مهندسی، دوره 18 ، شماره 63، بهمن 1399، صفحه  131-150.
مدل سازی در مهندسی
دوره 21، شماره 72
فروردین 1402
صفحه 19-30

فایل ها

سابقه مقاله

  • تاریخ دریافت: 01 اردیبهشت 1401
  • تاریخ بازنگری: 10 تیر 1401
  • تاریخ پذیرش: 02 شهریور 1401

هم رسانی

ارجاع به این مقاله

آمار