مجله علوم پزشکی صدرا

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

فرایند داوری مقالات

مطالعه مروری مبتنی بر بررسی مدل‌های هوش مصنوعی بر پایه تصویر در تشخیص به هنگام و دقیق سرطان پستان

مقالات آماده انتشار

نوع مقاله : Review Article

نویسندگان

گروه علوم پایه، دانشکده پزشکی، دانشکده علوم پزشکی لارستان، لارستان، ایران

10.30476/smsj.2026.110363.1749

چکیده

هوش مصنوعی در حال ایجاد تحولی گسترده در حوزه‌های علمی، به‌ویژه پزشکی، است. به‌کارگیری این فناوری در تشخیص به‌موقع بیماری‌هایی مانند سرطان پستان، به افزایش چشمگیر دقت، قابلیت اطمینان و عمق تحلیلی در بررسی تصاویر پزشکی انجام داده است. هدف این مقاله مروری، بررسی مدل‌های گوناگون هوش مصنوعی از جمله CNN، ترنسفورمرها و معماری‌های ترکیبی که در روش‌های تصویربرداری مختلف مانند ماموگرافی، ام‌آرآی، سونوگرافی و ترموگرافی مورد استفاده قرار گرفته‌‌اند، می‌باشد. جستجوی اصلی بین بازه زمانی 2025-2017 از طریق پایگاه‌های داده علمی معتبر، از جمله پابمد، اسکوپوس، ساینس دایرکت و گوگل اسکالر انجام شد. برای ارزیابی و مقایسه منظم عملکرد مدل‌های مختلف هوش مصنوعی، از مجموعه‌ای از معیارهای استاندارد شامل: دقت، حساسیت (یادآوری)، ویژگی (دقت منفی)، دقت، نمره F1 و AUC استفاده شد. مدل‌های ترکیبی CNN- transformer با توانایی استخراج ویژگی‌های محلی و کلی، مدل‌های غنی‌‌تر با استحکام بالاتر را ایجاد می‌کنند که باعث بهبود عملکرد مدل‌ها در تشخیص صحیح سرطان پستان می‌شود. مدل‌های هوش مصنوعی به صورت مستقل و به صورت دستیار پزشک امکان تشخیص سریع و صحیح سرطان را فراهم می‌کنند. سیستم‌های هوش مصنوعی با علامت گذاری موارد مشکوک و با ریسک بالای ابتلا به سرطان، باعث تسریع و کارآمدی فرآیند غربالگری‌‌‌ می‌شوند. هوش مصنوعی عملکردی بهتر از اکثر رادیولوژیست‌‌‌‌ها را نشان داده است اما تا کنون نتوانسته است از متخصصین متبحر پیشی بگیرد.
 

تازه های تحقیق

Maryam Heidari (Google Scholar)

کلیدواژه‌ها

مراجع
  1. Arnold M, Laversanne M, Soerjomataram I, Ferlay J, McCormack V, Møller H. Current and future burden of breast cancer: global statistics for 2020 and 2040. Breast. 2022;66:15-23.
  2. Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2021;71(3):209-49.
  3. Naghavi M, Global Burden of Disease Collaborators. Global Burden of Disease Study 2021 (GBD 2021) results. Seattle: Institute for Health Metrics and Evaluation; 2022.
  4. Heywang-Köbrunner SH, Hacker A, Sedlacek S. Advantages and disadvantages of mammography screening. Breast Care (Basel). 2011;6(3):199-207.
  5. Martiniussen MA, Andersen H, Aksnes LH, Hauge EM, Lundgren S, Salberg AB, et al. Performance of two deep learning–based AI models for breast cancer detection and localization on screening mammograms from BreastScreen Norway. Radiol Artif Intell. 2025;7(3):e240039.
  6. Rodriguez-Ruiz A, Krupinski E, Lopez-Martin J, Leenswaart J, van Erning FN, Dijkstra J, et al. Stand-alone artificial intelligence for breast cancer detection in mammography: comparison with 101 radiologists. J Natl Cancer Inst. 2019;111(9):916-22.
  7. Hirsch L, Chen RJ, Shen L, Margolies LR, Sieh W. Predicting breast cancer with AI for individual risk-adjusted MRI screening and early detection. ArXiv. 2024;arXiv:2312.00067.
  8. Jafari Z, Karami E. Breast cancer detection in mammography images: a CNN-based approach with feature selection. Information. 2023;14(7):410.
  9. Hejduk P, Šprah B, Novak J, Černý M, Petrášek J, Svobodová I, et al. Fully automatic classification of automated breast ultrasound (ABUS) imaging according to BI-RADS using a deep convolutional neural network. Eur Radiol. 2022;32(7):4868-78.
  10. Shen L, Margolies LR, Rothstein JH, Fluder E, McBride R, Sieh W. Deep learning to improve breast cancer detection on screening mammography. Sci Rep. 2019;9(1):12495.
  11. Wu N, Phang J, Park J, Liu Y, Swinsky Z, Singh Z, et al. Deep neural networks improve radiologists’ performance in breast cancer screening. IEEE Trans Med Imaging. 2019;39(4):1184-94.
  12. Al-Tam RM, Al-Ali A, Al-Ani A, Al-Jumaily AA. A hybrid workflow of residual convolutional transformer encoder for breast cancer classification using digital X-ray mammograms. Biomedicines. 2022;10(11):2971.
  13. Peter OO, Emakporuena D, Tunde BD, Abdulkarim M, Umar AB. Transformer-based explainable deep learning for breast cancer detection in mammography: the MammoFormer framework. ArXiv. 2025;arXiv:2508.06137.
  14. Al-Hejri AM, Alshahrani M, Alharbi F, Almalki M, Alzahrani A. A hybrid explainable federated-based vision transformer framework for breast cancer prediction via risk factors. Sci Rep. 2025;15(1):18453.
  15. Altameem A, Mahanty C, Poonia RC, Saudagar AKJ, Kumar R. Breast cancer detection in mammography images using deep convolutional neural networks and fuzzy ensemble modeling techniques. Diagnostics (Basel). 2022;12(8):1812.
  16. Teoh JR, Hasikin K, Lai KW, Wu X, Li C. Enhancing early breast cancer diagnosis through automated microcalcification detection using an optimized ensemble deep learning framework. PeerJ Comput Sci. 2024;10:e2082.
  17. Alshehri A, AlSaeed D. Breast cancer detection in thermography using convolutional neural networks (CNNs) with deep attention mechanisms. Appl Sci. 2022;12(24):12922.
  18. McKinney SM, Sieniek M, Godbole V, Godwin J, Ashrafian H, Back T, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577(7788):89-94.
  19. Carriero A, Groenhoff L, Vologina E, Basile P, Albera M. Deep learning in breast cancer imaging: state of the art and recent advancements in early 2024. Diagnostics (Basel). 2024;14(8):848.
  20. Sharafaddini AM, Esfahani KK, Mansouri N. Deep learning approaches to detect breast cancer: a comprehensive review. Multimed Tools Appl. 2025;84(21):24079-190.
  21. Mienye ID, Swart TG, Obaido G, Jordan M, Ilono P. Deep convolutional neural networks in medical image analysis: a review. Information. 2025;16(3):195.
  22. Zou L, Yu S, Meng T, Zhang Z, Liang X, Xie Y. A technical review of convolutional neural network–based mammographic breast cancer diagnosis. Comput Math Methods Med. 2019;2019:6509357.
  23. Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, et al. Attention is all you need. In: Advances in neural information processing systems. Red Hook: Curran Associates; 2017. p. 30.
  24. Dosovitskiy A, Beyer L, Kolesnikov A, Weissenborn D, Zhai X, Unterthiner T, et al. An image is worth 16x16 words: transformers for image recognition at scale. In: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. Piscataway: IEEE; 2021. p. 16031-40.
  25. Fan H, Xiong B, Mangalam K, Li C, Lei Q, Malik J. Multiscale vision transformers. In: Proceedings of the IEEE/CVF international conference on computer vision. Piscataway: IEEE; 2021. p. 6824-35.
  26. Lauritzen AD, Pedersen KM, Christiansen SL, Nielsen MB, Vejborg TS, Lauridsen CA, et al. An artificial intelligence–based mammography screening protocol for breast cancer: outcome and radiologist workload. Radiology. 2022;304(1):41-9.
  27. van Winkel SL, Mann RM, Mus RD, Lobbes MBI, Smidt ML, Heijnsdijk EAM, et al. Impact of artificial intelligence support on accuracy and reading time in breast tomosynthesis image interpretation: a multi-reader multi-case study. Eur Radiol. 2021;31(11):8682-91.
  28. Conant EF, Toledano AY, Beaber EF, Sprague BL, Stout NK, Haas JS, et al. Improving accuracy and efficiency with concurrent use of artificial intelligence for digital breast tomosynthesis. Radiol Artif Intell. 2019;1(4):e180096.
  29. Rodríguez-Ruiz A, Lång K, Gubern-Mérida A, Broeders M, Gennaro G, Claassen E, et al. Detection of breast cancer with mammography: effect of an artificial intelligence support system. Radiology. 2019;290(2):305-14.
  30. Sharma S, Jain A, Gupta D, Tiwari A, Chaurasia A, Bhattacharya S. Performance evaluation of the deep learning based convolutional neural network approach for the recognition of chest X-ray images. Front Oncol. 2022;12:932496.
  31. He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. In: Proceedings of the IEEE conference on computer vision and pattern recognition. Piscataway: IEEE; 2016. p. 770-8.
  32. Tsietso D, Yahya A, Samikannu R. A review on thermal imaging–based breast cancer detection using deep learning. Mob Inf Syst. 2022;2022:8952849.
مجله علوم پزشکی صدرا

مقالات آماده انتشار، اصلاح شده برای چاپ
انتشار آنلاین از تاریخ 02 خرداد 1405
فایل ها
هم رسانی
ارجاع به این مقاله
آمار