ارزیابی الگوریتم‌های یادگیری عمیق برای تشخیص تصاویر پزشکی
یادگیری عمیق به عنوان یک شاخه از یادگیری ماشین، توانسته است برای تشخیص تصاویر پزشکی به شکل قابل توجهی توجه محققان را به خود جلب کند. الگوریتم‌های مبتنی بر یادگیری عمیق به دست آموزش با نمونه‌های بزرگی از تصاویر پزشکی و تشخیص مشخصه‌های جالب در آن‌ها توسط شبکه‌های عصبی عمیق می‌پردازند.
در ارزیابی الگوریتم‌های یادگیری عمیق برای تشخیص تصاویر پزشکی، معیارهای مختلفی ممکن است مورد استفاده قرار گیرند. یکی از این معیارها می‌تواند میزان دقت تشخیص الگوریتم باشد. دقت تشخیص میزان صحت تشخیص یک الگوریتم را نشان می‌دهد و با مقایسه نتایج الگوریتم با تشخیص انسانی می‌توان عملکرد الگوریتم را ارزیابی کرد.
همچنین، معیارهای دقت پیش‌بینی برای هر کلاس نیز می‌توانند در ارزیابی الگوریتم‌های یادگیری عمیق مورد استفاده قرار گیرند. معیارهایی مانند حساسیت و ویژگی خاصیت (specificity) می‌توانند برای مقایسه دقت پیش‌بینی الگوریتم‌ها برای هر کلاس مورد استفاده قرار گیرند.
علاوه بر این، می‌توان از معیارهایی مانند منطقه زیر نمودار مشخصه عملکرد (ROC) استفاده کرد. زمانی که تعداد تشخیص‌های مثبت نادرست رو به افزایش است، معیارهایی مانند مثبت و نامثبت نادرست (FPR) و مثبت و نامثبت درست (TPR) می‌توانند مفید باشند.
علاوه بر معیارهای ذکر شده، می‌توان از معیارهای دیگری مانند میانگین معیارهای دقت (accuracy), میانگین معیارهای دقت پیش‌بینی (precision) و معیارهای دیگر در ارزیابی الگوریتم‌های یادگیری عمیق استفاده کرد.
در مقالات مختلفی بررسی شده است که الگوریتم‌های یادگیری عمیق برای تشخیص تصاویر پزشکی مزایا و معایب خود را دارند. به طور کلی، الگوریتم‌های یادگیری عمیق به دلیل توانایی استفاده از مشخصه‌های پیچیده و نامحدود در تشخیص تصاویر پزشکی، نتایج قابل قبولی به دست می‌دهند. با این حال، در برخی موارد ممکن است این الگوریتم‌ها با اتلاف زمان و هزینه بیشتری همراه باشند.
به عنوان مثال، در مقاله \Evaluation of Deep Learning Algorithms for the Classification of Renal Cell Carcinoma on Multisequence Magnetic Resonance Images\ به بررسی الگوریتم‌های یادگیری عمیق برای تشخیص سرطان سلول کلیه با استفاده از تصاویر از حالتهای مختلف MRI پرداخته شده است. در این مقاله، معیارهای دقت، حساسیت و ویژگی خاصیت مورد استفاده قرار گرفته است.
در مقاله \A Comparative Evaluation of Deep Learning Algorithms for Fetal Ultrasound Image Segmentation\ نیز الگوریتم‌های یادگیری عمیق برای تقسیم‌بندی تصاویر سونوگرافی جنین مورد ارزیابی قرار گرفته است. معیارهای دقت پیش‌بینی به همراه منطقه زیر نمودار ROC و معیارهای دیگر استفاده شده‌اند.
منابع:
1. Evaluation of Deep Learning Algorithms for the Classification of Renal Cell Carcinoma on Multisequence Magnetic Resonance Images
2. A Comparative Evaluation of Deep Learning Algorithms for Fetal Ultrasound Image Segmentation