شبکه‎های عصبی مصنوعی

شبکه‎های عصبی مصنوعی

چکیده
شبکه عصبی روشی در هوش مصنوعی است که به رایانه ها می آموزد تا داده ها را به روشی که از مغز انسان الهام گرفته شده است پردازش کنند. این شبکه ها ابزارهای ضروری در یادگیری ماشین هستند که توجه روزافزونی را در علوم اعصاب به خود جلب کرده اند. یک شبکه عصبی مصنوعی بر اساس مجموعه ای از واحدها یا گره های متصل به نام نورون های مصنوعی است که نورون ها را در یک مغز بیولوژیکی مدل سازی می کنند. هر اتصال، مانند سیناپس‎های (ارتباطات الکترومغناطیسی) یک مغز بیولوژیکی، می تواند سیگنالی را به نورون های دیگر منتقل کند. در این شبکه ها اگر یک سلول آسیب ببیند بقیه سلول ها می توانند نبود آن را جبران و در بازسازی آن سهیم باشند. این شبکه ها قادر به یادگیری اند؛ مثلاً با اعمال سوزش به سلول های عصبی لامسه، سلول ها یادمی گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده از مثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید، سیستم پاسخ درستی تولید کند. هدف این بررسی مروری ارائه فلسفه کلی برای استفاده از شبکه عصبی مصنوعی در رویکردهای تشخیصی از طریق مثال های منتخب و مستندسازی تنوع بسیار زیاد داده هایی است که می توانند به عنوان ورودی برای شبکه های عصبی مصنوعی عمل کنند.
کلمات کلیدی: تشخیص پزشکی، هوش مصنوعی، شبکه‎ عصبی مصنوعی

مقدمه
یادگیری با شبکه های عصبی مصنوعی (ANN1) یا یادگیری عمیق، امروزه به عنوان یک چارچوب غالب در یادگیری ماشین ظاهر شده که منجر به پیشرفت هایی در طیف گسترده ای از برنامه ها، از جمله بینایی کامپیوتر، پردازش زبان طبیعی و بازی های استراتژیک شده است (Devlin et al., 2018; Silver et al., 2017; LeCun et al., 2015; Krizhevsky et al., 2012). برخی از ایده های کلیدی در این زمینه را می توان در تحقیقات مغز جستجو کرد: قوانین یادگیری نظارت شده ریشه در تئوری پرسپترون های آموزشی دارد که به نوبه خود از مغز الهام گرفته شده است. سیستم بینایی نخستی ها امروزه تبادل ایده ها از علوم اعصاب تا حوزه هوش مصنوعی ادامه دارد (Yang & Wang, 2020; Hassabis et al., 2017).
شبکه های عصبی مصنوعی یکی از انواع مدل ها برای یادگیری ماشین هستند و نسبت به مدل های رگرسیون معمولی و آماری در مورد سودمندی نسبتاً رقابتی شده اند (Dave & Dutta, 2014). در حال حاضر، هوش مصنوعی (یادگیری ماشین، شبکه عصبی، یادگیری عمیق، روباتیک)، امنیت اطلاعات، کلان داده، رایانش اَبری2، اینترنت و علم پزشکی قانونی همگی نقاط داغ و موضوعات هیجان انگیز فناوری اطلاعات و ارتباطات هستند. کاربردهای کامل شبکه های عصبی مصنوعی را می توان با توجه به عوامل تجزیه و تحلیل داده ها مانند دقت، سرعت پردازش، تاخیر، عملکرد، تحمل خطا، حجم، مقیاس پذیری و همگرایی ارزیابی کرد (Mozaffari et al., 2018). پتانسیل بزرگ شبکه های عصبی مصنوعی، پردازش با سرعت بالا است که در یک پیاده سازی موازی عظیم ارائه می شود و این نیاز به تحقیق در این حوزه را تشدید کرده است. ANNها را می توان برای تشخیص تصویر، پردازش زبان طبیعی و غیره توسعه داد و استفاده کرد (Izeboudjen et al., 2014). امروزه، شبکه های عصبی مصنوعی به دلیل ویژگی های عالی خودآموزی، سازگاری، تحمل خطا، غیرخطی بودن و پیشرفت در ورودی به یک نگاشت خروجی، بیشتر برای تقریب تابع جهانی در پارادایم های عددی استفاده می شوند (Abiodun et al., 2018).
در عین حال، یادگیری ماشین ابزارهای جدید و قدرتمندی را برای علوم اعصاب سیستم ها ارائه می دهد (شکل 1). یکی از کاربردهای چارچوب یادگیری عمیق، تجزیه و تحلیل داده های علوم اعصاب است. در واقع، پیشرفت ها در بینایی کامپیوتر، به ویژه شبکه های عصبی کانولوشن، پردازش داده های تصویر و ویدیو را متحول کرده است. به عنوان مثال، رفتارهای کنترل نشده در طول زمان، مانند حرکات ریز حیوانات در یک آزمایش، اکنون با کمک شبکه های عصبی عمیق قابل ردیابی و تعیین کمیت هستند (Mathis et al., 2018). فناوری های عصبی نوآورانه در حال تولید سیل داده های بزرگ از کانکتومیک مغز، رونویسی و فیزیولوژی عصبی هستند که تجزیه و تحلیل آن ها می تواند از یادگیری ماشین بهره مند شود. به عنوان مثال می توان به تقسیم بندی تصویر برای دستیابی به مقیاس میکرومتری دقیق، بازسازی اتصال در یک ریزمدار عصبی و تخمین نرخ شلیک عصبی از داده های اسپایکی3 (شبکه های عصبی اسپایکی) اشاره کرد (Januszewski et al., 2018; Pandarinath et al., 2018; Helmstaedter et al., 2013).

شکل 1. دلایل استفاده از ANN برای تحقیقات علوم اعصاب

شکل 1: (بالا سمت چپ) تجزیه و تحلیل داده های عصبی/رفتاری. ANN ها می توانند به عنوان ابزار پردازش تصویر برای تخمین حالت کارآمد (نقاط رنگی) عمل کنند شکل با الهام از Nath و همکاران (2019). (بالا سمت راست) مدل سازی رفتارهای پیچیده. شبکه های عصبی مصنوعی می توانند وظایف تشخیص اشیاء را که شامل اشیاء بصری طبیعت گرایانه چالش برانگیز است، انجام دهند. شکل اقتباس شده از Kar و همکاران (2019). (پایین سمت چپ) نشان می دهد که شبکه های عصبی مصنوعی می توانند برای مدل سازی الگوهای پیچیده فعالیت عصبی/اتصال (خطوط آبی) استفاده شوند. (پایین سمت راست) درک مدارهای عصبی از دیدگاه بهینه سازی. در این دیدگاه، شبکه های عصبی عملکردی (نماد ستاره) نتایج بهینه سازی (فلش ها) یک تابع هدف در فضای انتزاعی یک مدل محدود شده توسط معماری شبکه عصبی (فضای رنگی) هستند (Yang & Wang, 2020).
این عوامل تجزیه و تحلیل داده ها دلیل بیشتری برای موثر، کارآمد و موفق بودن شبکه های عصبی مصنوعی در ارائه سطح بالایی از قابلیت در رسیدگی به مشکلات پیچیده و غیر پیچیده در بسیاری از حوزه های زندگی می دهند. شبکه های عصبی مصنوعی قادر به رسیدگی به مشکلات در کشاورزی، علم، علوم پزشکی، آموزش، مالی، مدیریت، امنیت، مهندسی، تجارت کالا و هنر هستند. از جمله مشکلات در تولید، حمل و نقل، امنیت کامپیوتر، بانکداری، بیمه، مدیریت اموال، بازاریابی، انرژی، و آن چالش هایی که با توانایی محاسباتی روش های سنتی و ریاضیات مرسوم قابل حل نیستند. علی رغم این کاربردهای گسترده شبکه های عصبی مصنوعی، نیاز روزافزونی برای رسیدگی به مشکل اتخاذ یک رویکرد سیستماتیک در مرحله توسعه شبکه های عصبی مصنوعی برای بهبود عملکرد آن وجود دارد. به عنوان مثال، رویکردی برای پرداختن به عوامل و موضوعات اصلی در انتخاب مجموعه داده ها (اندازه، حجم، کوچک، بزرگ و غیره)، دقت داده ها، ابزار داده، استانداردسازی داده ها، نوع ورودی داده ها، تقسیم داده ها و داده ها. پیش پردازش، اعتبارسنجی، پردازش و تکنیک های خروجی است.
شبکه های عصبی با پردازش مثال هایی که هر کدام حاوی یک "ورودی" و "نتیجه" شناخته شده هستند، یاد می گیرند (یا آموزش می بینند) و ارتباطاتی با وزن احتمالی بین این دو ایجاد می کنند که در ساختار داده های خود شبکه ذخیره می شوند. آموزش یک شبکه عصبی از یک مثال مشخص معمولاً با تعیین تفاوت بین خروجی پردازش شده شبکه (اغلب یک پیش بینی) و خروجی هدف انجام می شود. این تفاوت همان خطا است. سپس شبکه تداعی های وزنی خود را بر اساس یک قانون یادگیری و با استفاده از این مقدار خطا تنظیم می کند. تنظیمات پی در پی باعث می شود که شبکه عصبی خروجی تولید کند که به طور فزاینده ای مشابه خروجی هدف است. پس از تعداد کافی از این تنظیمات، آموزش را می توان بر اساس معیارهای خاصی خاتمه داد. این نوعی یادگیری تحت نظارت است (Wang et al., 2019; Govindaraju & Rao, 2013).
شبکه های عصبی مصنوعی به عنوان تلاشی برای بهره برداری از معماری مغز انسان برای انجام وظایفی که الگوریتم های معمولی موفقیت چندانی در آن ها نداشتند آغاز شد. آنها به زودی به سمت بهبود نتایج تجربی تغییر جهت دادند و تلاش ها برای وفادار ماندن به پیش سازهای بیولوژیکی خود را کنار گذاشتند. شبکه های عصبی مصنوعی توانایی یادگیری و مدل سازی غیرخطی ها و روابط پیچیده را دارند. این امر با اتصال نورون ها در الگوهای مختلف به دست می آید و اجازه می دهد خروجی برخی از نورون ها به ورودی برخی دیگر تبدیل شود. شبکه یک نمودار جهت دار و وزنی را تشکیل می دهد (Andreas, 2003). یک شبکه عصبی مصنوعی از نورون های شبیه سازی شده تشکیل شده است. هر نورون از طریق پیوندهایی مانند اتصال بیولوژیکی آکسون-سیناپس-دندریت به گره های دیگر متصل می شود. تمام گره های متصل شده توسط پیوندها، برخی از داده ها را می گیرند و از آن برای انجام عملیات و وظایف خاص روی داده ها استفاده می کنند. هر پیوند دارای وزنی است که قدرت تاثیر یک گره بر گره دیگر را تعیین می کند و به وزن ها اجازه می دهد سیگنال بین نورون ها را انتخاب کنند (Winston, 1992).

کاربردهای گسترده شبکه‎های عصبی مصنوعی
جستجوی معماری عصبی (NAS4) از یادگیری ماشین برای خودکارسازی طراحی ANN استفاده می کند. رویکردهای مختلف به NAS شبکه هایی را طراحی کرده اند که به خوبی با سیستم های طراحی شده با دست مقایسه می شوند. الگوریتم جستجوی اصلی پیشنهاد یک مدل کاندید، ارزیابی آن در برابر یک مجموعه داده و استفاده از نتایج به عنوان بازخورد برای آموزش شبکه NAS است. سیستم های موجود عبارتند از AutoML و AutoKeras. کتابخانه scikit-learn توابعی را برای کمک به ایجاد یک شبکه عمیق از ابتدا فراهم می کند. سپس می توانیم یک شبکه عمیق را با TensorFlow یا Keras پیاده سازی کنیم (Jin et al., 2019; Zoph & Le, 2016). فراپارامترها همچنین باید به عنوان بخشی از طراحی تعریف شوند، مواردی مانند تعداد نورون ها در هر لایه، نرخ یادگیری، گام، مرحله، عمق، میدان دریافتی و غیره. قطعه کد پایتون یک نمای کلی ارائه می کند (Claesen & De Moor, 2015).
شبکه های عصبی مصنوعی به دلیل توانایی خود در بازتولید و مدل سازی فرآیندهای غیرخطی، در بسیاری از رشته ها کاربرد پیدا کرده اند. حوزه های کاربردی شامل شناسایی و کنترل سیستم (کنترل وسیله نقلیه، پیش بینی مسیر، کنترل فرآیند، مدیریت منابع طبیعی) (Zissis et al., 2015)، شیمی کوانتومی (Balabin & Lomakina, 2015)، بازی عمومی (Silver et al., 2017)، تشخیص الگو (سیستم های رادار، شناسایی چهره، طبقه بندی سیگنال، بازسازی سه بعدی، تشخیص اشیا و موارد دیگر) (Sengupta et al., 2016; Choy et al., 2016)، تجزیه و تحلیل داده های حسگر (Gessler, 2021)، تشخیص توالی (ژست، گفتار، تشخیص متن دست نویس و چاپی) (Maitra et al., 2015)، تشخیص پزشکی (Ma et al., 2020)، امور مالی (مثلاً مدل های قبلی برای پیش بینی های بلندمدت مالی خاص و بازارهای مالی مصنوعی) (French, 2017)، داده کاوی5 (Liang & Li, 2020)، تجسم (Wang et al., 2020)، ترجمه ماشینی (Siddique et al., 2021)، فیلتر شبکه های اجتماعی (Schechner, 2017) و فیلتر هرزنامه های ایمیل (Sumathi & Pugalendhi, 2021) هستند.
ANN ها برای تشخیص چندین نوع سرطان و تشخیص خطوط سلولی سرطانی بسیار تهاجمی از خطوط کمتر تهاجمی تنها با استفاده از اطلاعات شکل سلولی استفاده شده اند (Huang et al., 2020; Alizadeh et al., 2016).
شبکه‎های عصبی مصنوعی پزشکی
شبکه های عصبی مصنوعی ابزاری قدرتمند برای کمک به پزشکان در تحلیل، مدل سازی و درک داده های پیچیده بالینی در طیف وسیعی از کاربردهای پزشکی ارائه می کنند. بیشتر کاربردهای شبکه های عصبی مصنوعی در پزشکی مشکلات طبقه بندی هستند (Al-Shayea, 2011).
تشخیص پزشکی با استفاده از سیستم های هوش مصنوعی، به ویژه شبکه های عصبی مصنوعی و تشخیص به کمک کامپیوتر با یادگیری عمیق، در حال حاضر یک حوزه تحقیقاتی بسیار فعال در پزشکی است و اعتقاد بر این است که در سیستم های زیست پزشکی کاربرد بیشتری خواهد داشت (Xiao et al., 2019). تکنیک های شبکه عصبی در حال تکامل برای تشخیص پزشکی به طور گسترده مورد توجه قرار می گیرند. زیرا برای تشخیص بیماری ها با استفاده از اسکن ایده آل هستند (Sathiyamoorthi et al., 2021). شبکه های عصبی با مثال یاد می گیرند، بنابراین نیازی به جزئیات نحوه تشخیص بیماری نیست. به عنوان مثال، استفاده از مدل های ANN مبتنی بر یادگیری عمیق به تشخیص به موقع سرطان معده با حساسیت و ویژگی کمک می کند (Song et al., 2020). ANN ها به طور گسترده در تشخیص، آنالیز سیگنال الکترونیکی، تجزیه و تحلیل تصویر پزشکی و رادیولوژی (Chakraborty et al., 2018) و توسط بسیاری از نویسندگان برای مدل سازی در پزشکی و تحقیقات بالینی استفاده شده است (Alanazi et al., 2017). کاربردهای ANN در فارماکواپیدمیولوژی و داده کاوی پزشکی در حال افزایش است (Datilo et al., 2019).
شبکه های عصبی مصنوعی به طور گسترده در علم و فناوری با کاربرد در شاخه های مختلف شیمی، فیزیک و زیست شناسی استفاده می شود. به عنوان مثال، شبکه عصبی مصنوعی در سینتیک شیمیایی، پیش بینی رفتار راکتورهای صنعتی، مدل سازی سینتیک انتشار دارو، بهینه سازی روش های الکتروفورتیک، طبقه بندی محصولات کشاورزی مانند انواع پیاز و حتی تعیین گونه ها استفاده می شود (Amato et al., 2013). به طور کلی، داده های بسیار متنوعی مانند طبقه بندی اشیاء بیولوژیکی، داده های جنبشی شیمیایی یا حتی پارامترهای بالینی را می توان اساساً به روشی مشابه مدیریت کرد. روش های محاسباتی پیشرفته، از جمله شبکه های عصبی مصنوعی، از انواع مختلفی از داده های ورودی استفاده می کنند که در زمینه سابقه آموزشی قبلی در یک پایگاه داده نمونه تعریف شده پردازش می شوند تا یک خروجی مرتبط بالینی تولید کنند، برای مثال احتمال آسیب شناسی خاص یا طبقه بندی اشیاء زیست پزشکی (Amato et al., 2013). با توجه به شکل پذیری قابل توجه داده های ورودی، ANN ها در تجزیه و تحلیل نمونه های خون و ادرار بیماران دیابتی (Catalogna et al. 2012,)، تشخیص سل (Aguiar et al., 2016)، طبقه بندی لوسمی (Al-jaboriy et al., 2019) ، تجزیه و تحلیل نمونه های افیوژن پیچیده (Parveen et al., 2016) و تجزیه و تحلیل تصویر رادیوگرافی یا حتی بافت زنده مفید هستند (Agrawal et al., 2022).
بررسی های متعددی در مورد کاربرد ANN در تشخیص پزشکی وجود دارد. این مفهوم برای اولین بار در سال 1988 در کارهای پیشگامانه مطرح شد (Szolovits et al. 1988) و از آن زمان تاکنون مقالات زیادی منتشر شده است. به طور گسترده در تشخیص سرطان روده بزرگ (Shaban et al., 2020)، بیماری پانکراس (Marya et al., 2021)، بیماری های زنان (Kurata et al., 2019) و دیابت اولیه استفاده شده است (El_Jerjawi & Abu-Naser, 2018).
یک سیستم تشخیص بیماری جدید، عمومی، سریع و تطبیقی بر اساس یادگیری ANN های کوانتیزاسیون برداری توسعه داده شده است. این الگوریتم اولین الگوریتم تطبیقی پیشنهادی است و می تواند برای بیماری های کاملاً متفاوت اعمال شود، همانطور که با دقت طبقه بندی 5/99 درصدی به دست آمده برای سرطان سینه و تیروئید نشان داده شده است. سرطان، دیابت و بیماری های قلبی عروقی از جدی ترین و متنوع ترین بیماری ها هستند. مقدار داده های حاصل از تجزیه و تحلیل ابزاری و بالینی این بیماری ها بسیار زیاد است و بنابراین توسعه ابزارهایی برای تسهیل تشخیص اهمیت زیادی دارد (Amato et al., 2013).
استفاده از شبکه های عصبی آموزش دیده بر روی مجموعه داده های تعریف شده در سال 1994 برای سرطان سینه و تخمدان مورد ارزیابی قرار گرفت و بحثی را در مورد مناسب بودن داده های خاص به عنوان ورودی برای تجزیه و تحلیل ANN، به عنوان مثال داده های جمعیت شناختی، رادیولوژیکی، انکولوژیک و بیوشیمیایی باز کرد. بعداً، پیش بینی منطقی پاسخ شیمی درمانی آزمایشگاهی اندازه گیری شده بر اساس 1H NMR عصاره های بیوپسی گلیوم با استفاده از ANN برای به دست آوردن تشخیص افتراقی خودکار گلیوم به دست آمد (El-Deredy et al. 1997).
شبکه عصبی با استفاده از یک پایگاه داده مناسب از موارد "نمونه" آموزش داده شده است. یک "مثال" توسط یک بیمار ارائه می شود که مقادیر وی برای ویژگی های انتخاب شده جمع آوری و ارزیابی شده است. کیفیت آموزش و تعمیم حاصل، و بنابراین توانایی پیش بینی شبکه، به شدت به پایگاه داده مورد استفاده برای آموزش بستگی دارد. پایگاه داده باید حاوی تعداد کافی "مثال" قابل اعتماد باشد تا به شبکه اجازه دهد تا با استخراج ساختار پنهان در مجموعه داده یاد بگیرد و سپس از این "دانش" برای "تعمیم" قانون به موارد جدید استفاده کند. علاوه بر این، داده های آزمایشگاهی بالینی باید به شکلی باشد که به آسانی به برنامه هایی برای تشخیص به کمک رایانه منتقل شود (Amato et al., 2013). داده های پایگاه داده آموزشی باید قبل از ارزیابی توسط شبکه عصبی پیش پردازش شوند. چندین رویکرد برای این منظور در دسترس است. معمولاً داده ها در بازه [0، 1] مقیاس بندی می شوند، زیرا متداول ترین تابع انتقال، به اصطلاح لجستیک است. علاوه بر این، نشان داده شده است که مواردی که برخی از داده ها برای آنها گم شده است باید از پایگاه داده حذف شوند تا عملکرد طبقه بندی شبکه بهبود یابد (Gannous and Elhaddad 2011). کاهش در عملکرد طبقه بندی شبکه برای پایگاه های داده نامتعادل مشاهده می شود (Mazurowski et al. 2008). هنگامی که ویژگی های مناسب، پایگاه داده، روش پیش پردازش داده ها، الگوریتم آموزشی و معماری شبکه شناسایی شد، داده های مربوط به بیماران "جدید" که در پایگاه داده آموزشی گنجانده نشده اند، می توانند توسط شبکه آموزش دیده ارزیابی شوند. سوالی که پرسیده می شود این است که آیا داده های جدید به همان جمعیت موجود در پایگاه داده تعلق دارند؟ شکست در این مرحله ممکن است باعث شود شبکه داده های جدید را به اشتباه طبقه بندی کند. این مشکل را می توان با استفاده از یک پارامتر اضافی که جامعه ای را که یک نمونه خاص به آن تعلق دارد، حل کرد (Amato et al., 2013).
نتیجه گیری
ANN یک نمایش ریاضی از معماری عصبی انسان است که توانایی های "یادگیری" و "تعمیم" آن را منعکس می کند. به همین دلیل شبکه های عصبی مصنوعی به حوزه هوش مصنوعی تعلق دارند. شبکه های عصبی مصنوعی به طور گسترده در تحقیقات به کار می روند زیرا می توانند سیستم های بسیار غیرخطی را که در آنها رابطه بین متغیرها ناشناخته یا بسیار پیچیده است، مدل کنند. تکنیک های مدل سازی مفهومی پیشرفته با افزایش دقت و کارایی فرآیند تشخیصی، به عنوان ابزاری قدرتمند برای کسانی که در زمینه پزشکی فعالیت می کنند، عمل می کند. استفاده از هوش مصنوعی به متخصصان پزشکی کمک می کند تا طیف گسترده ای از داده های پزشکی را تجزیه و تحلیل و درک کنند، بنابراین احتمال خطای انسانی را از بین می برد. تشخیص پزشکی با استفاده از شبکه های عصبی مصنوعی، پارامترهای موثری را برای بهبود عملکرد و کاربرد تکنیک های یادگیری ماشین و تشخیص الگو برای تسهیل فرآیندهای پزشکی معرفی می کند. تشخیص پزشکی بر اساس کاربرد شبکه های عصبی مصنوعی، مشکلات سلامتی بیماران مختلف را توضیح می دهد. تا به امروز، چندین فناوری برای تجزیه و تحلیل مجموعه داده های پزشکی و تصاویر روش های مختلف برای تصمیم گیری های تشخیصی پیشنهاد شده است. برای مثال، شبکه های عصبی مصنوعی ترکیب های جدیدی از پروتکل های درمانی را وعده می دهند که مرتبط ترین و مقرون به صرفه ترین و دقیق ترین درمان ها را در پزشکی بالینی هدفمند می سازد. در تصویربرداری پزشکی، شبکه های عصبی این پتانسیل را دارند که در مقایسه با استفاده از روش های تصویربرداری موجود، از آنالیز نوری گرفته تا تصویربرداری رادیوگرافی و پزشکی هسته ای، منجر به تشخیص ایمن تر، سریع تر و مقرون به صرفه تر شوند.
ANN ها ابزاری قدرتمند برای کمک به پزشکان در انجام تشخیص و سایر اعمال هستند. در این راستا، شبکه های عصبی مصنوعی دارای چندین مزیت از جمله: توانایی پردازش حجم زیاد داده ها، کاهش احتمال نادیده گرفتن اطلاعات مربوطه و کاهش زمان تشخیص است. ثابت شده است که ANN ها برای تشخیص رضایت بخش بیماری های مختلف مناسب هستند. علاوه بر این، استفاده از آنها باعث اطمینان بیشتر تشخیص و در نتیجه افزایش رضایت بیمار می شود. با این حال، علیرغم کاربرد گسترده آنها در تشخیص مدرن، آنها باید تنها به عنوان ابزاری برای تسهیل تصمیم گیری نهایی یک پزشک در نظر گرفته شوند، که در نهایت مسئول ارزیابی انتقادی خروجی ANN است. روش های خلاصه سازی و توضیح داده های آموزنده و هوشمند به طور مداوم در حال بهبود هستند و می توانند به تشخیص پزشکی موثر، دقیق و سریع کمک زیادی کنند.

منابع

Abiodun, O. I., Jantan, A., Omolara, A. E., Dada, K. V., Mohamed, N. A., & Arshad, H. (2018). State-of-the-art in artificial neural network applications: A survey. Heliyon, 4(11), e00938.
Agrawal, P., Nikhade, P., & Nikhade, P. P. (2022). Artificial intelligence in dentistry: past, present, and future. Cureus, 14(7).
Aguiar, F. S., Torres, R. C., Pinto, J. V., Kritski, A. L., Seixas, J. M., & Mello, F. C. (2016). Development of two artificial neural network models to support the diagnosis of pulmonary tuberculosis in hospitalized patients in Rio de Janeiro, Brazil. Medical & biological engineering & computing, 54, 1751-1759.
Alanazi, H. O., Abdullah, A. H., & Qureshi, K. N. (2017). A critical review for developing accurate and dynamic predictive models using machine learning methods in medicine and health care. Journal of medical systems, 41, 1-10.
Alizadeh, E., Lyons, S. M., Castle, J. M., & Prasad, A. (2016). Measuring systematic changes in invasive cancer cell shape using Zernike moments. Integrative Biology, 8(11), 1183-1193.
Al-jaboriy, S. S., Sjarif, N. N. A., Chuprat, S., & Abduallah, W. M. (2019). Acute lymphoblastic leukemia segmentation using local pixel information. Pattern Recognition Letters, 125, 85-90.
Al-Shayea, Q. K. (2011). Artificial neural networks in medical diagnosis. International Journal of Computer Science Issues, 8(2), 150-154.
Amato, F., López, A., Peña-Méndez, E. M., Vaňhara, P., Hampl, A., & Havel, J. (2013). Artificial neural networks in medical diagnosis. Journal of applied biomedicine, 11(2), 47-58.
Andreas, Z. (2003). Simulation neuronaler Netze, 4. Aufl., München. Simulation neuronaler Netze [Simulation of Neural Networks] (in German) (1st ed.). Addison-Wesley.
Balabin, R. M., & Lomakina, E. I. (2009). Neural network approach to quantum-chemistry data: Accurate prediction of density functional theory energies. The journal of chemical physics, 131(7), 074104.
Catalogna, M., Cohen, E., Fishman, S., Halpern, Z., Nevo, U., & Ben-Jacob, E. (2012). Artificial neural networks based controller for glucose monitoring during clamp test.
Chakraborty, S., Chatterjee, S., Ashour, A. S., Mali, K., & Dey, N. (2018). Intelligent computing in medical imaging: A study. In Advancements in applied metaheuristic computing (pp. 143-163). IGI global.
Choy, C. B., Xu, D., Gwak, J., Chen, K., & Savarese, S. (2016). 3d-r2n2: A unified approach for single and multi-view 3d object reconstruction. In Computer Vision-ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11-14, 2016, Proceedings, Part VIII 14 (pp. 628-644). Springer International Publishing.
Claesen, M., & De Moor, B. (2015). Hyperparameter search in machine learning. arXiv preprint arXiv:1502.02127.
Datilo, P. M., Ismail, Z., & Dare, J. (2019). A review of epidemic forecasting using artificial neural networks. Epidemiology and Health System Journal, 6(3), 132-143.
Dave, V. S., & Dutta, K. (2014). Neural network based models for software effort estimation: a review. Artificial Intelligence Review, 42(2), 295-307.
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
El_Jerjawi, N. S., & Abu-Naser, S. S. (2018). Diabetes prediction using artificial neural network.
El-Deredy, W., Ashmore, S. M., Branston, N. M., Darling, J. L., Williams, S. R., & Thomas, D. G. (1997). Pretreatment prediction of the chemotherapeutic response of human glioma cell cultures using nuclear magnetic resonance spectroscopy and artificial neural networks. Cancer Research, 57(19), 4196-4199.
Elhaddad, Y. R., & Gannous, A. S. (2011). Improving an Artificial Neural Network Model to Predict Thyroid Bending Protein Diagnosis Using Preprocessing Techniques.
French, J. (2017). The time traveller's CAPM. Investment Analysts Journal, 46(2), 81-96.
Gessler, J. (2021). Sensor for food analysis applying impedance spectroscopy and artificial neural networks. RiuNet UPV, 1, 8-12.
Govindaraju, R. S., & Rao, A. R. (Eds.). (2013). Artificial neural networks in hydrology (Vol. 36). Springer Science & Business Media.
Hassabis, D., Kumaran, D., Summerfield, C., & Botvinick, M. (2017). Neuroscience-inspired artificial intelligence. Neuron, 95(2), 245-258.
Helmstaedter, M., Briggman, K. L., Turaga, S. C., Jain, V., Seung, H. S., & Denk, W. (2013). Connectomic reconstruction of the inner plexiform layer in the mouse retina. Nature, 500(7461), 168-174.
Huang, S., Yang, J., Fong, S., & Zhao, Q. (2020). Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges. Cancer letters, 471, 61-71.
Izeboudjen, N., Larbes, C., & Farah, A. (2014). A new classification approach for neural networks hardware: from standards chips to embedded systems on chip. Artificial Intelligence Review, 41, 491-534.
Januszewski, M., Kornfeld, J., Li, P. H., Pope, A., Blakely, T., Lindsey, L., … & Jain, V. (2018). High-precision automated reconstruction of neurons with flood-filling networks. Nature methods, 15(8), 605-610.
Jin, H., Song, Q., & Hu, X. (2019, July). Auto-keras: An efficient neural architecture search system. In Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining (pp. 1946-1956).
Kar, K., Kubilius, J., Schmidt, K., Issa, E. B., & DiCarlo, J. J. (2019). Evidence that recurrent circuits are critical to the ventral stream's execution of core object recognition behavior. Nature neuroscience, 22(6), 974-983.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). Imagenet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90.
Kurata, Y., Nishio, M., Kido, A., Fujimoto, K., Yakami, M., Isoda, H., & Togashi, K. (2019). Automatic segmentation of the uterus on MRI using a convolutional neural network. Computers in biology and medicine, 114, 103438.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444.
Liang, W., & Li, T. (2020). Research on human performance evaluation model based on neural network and data mining algorithm. EURASIP Journal on Wireless Communications and Networking, 2020, 1-14.
Ma, F., Sun, T., Liu, L., & Jing, H. (2020). Detection and diagnosis of chronic kidney disease using deep learning-based heterogeneous modified artificial neural network. Future Generation Computer Systems, 111, 17-26.
Maitra, D. S., Bhattacharya, U., & Parui, S. K. (2015, August). CNN based common approach to handwritten character recognition of multiple scripts. In 2015 13th International Conference on Document Analysis and Recognition (ICDAR) (pp. 1021-1025). IEEE.
Marya, N. B., Powers, P. D., Chari, S. T., Gleeson, F. C., Leggett, C. L., Dayyeh, B. K. A., … & Levy, M. J. (2021). Utilisation of artificial intelligence for the development of an EUS-convolutional neural network model trained to enhance the diagnosis of autoimmune pancreatitis. Gut, 70(7), 1335-1344.
Mathis, A., Mamidanna, P., Cury, K. M., Abe, T., Murthy, V. N., Mathis, M. W., & Bethge, M. (2018). DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature neuroscience, 21(9), 1281-1289.
Mazurowski, M. A., Habas, P. A., Zurada, J. M., Lo, J. Y., Baker, J. A., & Tourassi, G. D. (2008). Training neural network classifiers for medical decision making: The effects of imbalanced datasets on classification performance. Neural networks, 21(2-3), 427-436.
Mozaffari, A., Emami, M., & Fathi, A. (2019). A comprehensive investigation into the performance, robustness, scalability and convergence of chaos-enhanced evolutionary algorithms with boundary constraints. Artificial Intelligence Review, 52, 2319-2380.
Nath, T., Mathis, A., Chen, A. C., Patel, A., Bethge, M., & Mathis, M. W. (2019). Using DeepLabCut for 3D markerless pose estimation across species and behaviors. Nature protocols, 14(7), 2152-2176.
Pandarinath, C., O'Shea, D. J., Collins, J., Jozefowicz, R., Stavisky, S. D., Kao, J. C., … & Sussillo, D. (2018). Inferring single-trial neural population dynamics using sequential auto-encoders. Nature methods, 15(10), 805-815.
Parveen, R., Nabi, M., Memon, F. A., Zaman, S., & Ali, M. (2016). A review and survey of artificial neural network in medical science. Journal of Advanced Research in Computing and Applications, 3(1), 7-16.
Sathiyamoorthi, V., Ilavarasi, A. K., Murugeswari, K., Ahmed, S. T., Devi, B. A., & Kalipindi, M. (2021). A deep convolutional neural network based computer aided diagnosis system for the prediction of Alzheimer's disease in MRI images. Measurement, 171, 108838.
Schechner, S. (2017). Facebook boosts ai to block terrorist propaganda. Wall Street J. ISSN, 0099-9660.
Sengupta, N., Sahidullah, M., & Saha, G. (2016). Lung sound classification using cepstral-based statistical features. Computers in biology and medicine, 75, 118-129.
Shaban, M., Awan, R., Fraz, M. M., Azam, A., Tsang, Y. W., Snead, D., & Rajpoot, N. M. (2020). Context-aware convolutional neural network for grading of colorectal cancer histology images. IEEE transactions on medical imaging, 39(7), 2395-2405.
Siddique, S., Ahmed, T., Talukder, M. R. A., & Uddin, M. M. (2021). English to bangla machine translation using recurrent neural network. arXiv preprint arXiv:2106.07225.
Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A., … & Hassabis, D. (2017). Mastering the game of go without human knowledge. nature, 550(7676), 354-359.
Song, Z., Zou, S., Zhou, W., Huang, Y., Shao, L., Yuan, J., … & Shi, H. (2020). Clinically applicable histopathological diagnosis system for gastric cancer detection using deep learning. Nature communications, 11(1), 4294.
Sumathi, S., & Pugalendhi, G. K. (2021). Cognition based spam mail text analysis using combined approach of deep neural network classifier and random forest. Journal of Ambient Intelligence and Humanized Computing, 12, 5721-5731.
Szolovits, P., Patil, R. S., & Schwartz, W. B. (1988). Artificial intelligence in medical diagnosis. Annals of internal medicine, 108(1), 80-87.
Wang, G., Zhang, Y., Ye, X., & Mou, X. (2019). Artificial neural networks. In Machine Learning for Tomographic Imaging. IOP Publishing.
Wang, Z. J., Turko, R., Shaikh, O., Park, H., Das, N., Hohman, F., … & Chau, D. H. P. (2020). CNN explainer: learning convolutional neural networks with interactive visualization. IEEE Transactions on Visualization and Computer Graphics, 27(2), 1396-1406.
Winston, P. H. (1992). Artificial intelligence. Addison-Wesley Longman Publishing Co., Inc..
Xiao, B., Xu, Y., Bi, X., Li, W., Ma, Z., Zhang, J., & Ma, X. (2019). Follow the sound of children's heart: a deep-learning-based computer-aided pediatric CHDs diagnosis system. IEEE Internet of Things Journal, 7(3), 1994-2004.
Yang, G. R., & Wang, X. J. (2020). Artificial neural networks for neuroscientists: a primer. Neuron, 107(6), 1048-1070.
Zissis, D., Xidias, E. K., & Lekkas, D. (2015). A cloud based architecture capable of perceiving and predicting multiple vessel behaviour. Applied Soft Computing, 35, 652-661.
Zoph, B., & Le, Q. V. (2016). Neural architecture search with reinforcement learning. arXiv preprint arXiv:1611.01578.
1 Artificial neural network
2 Cloud computing
3 Spiking Neural Networks
4 Neural architecture search
5 data mining
—————

————————————————————

—————

————————————————————

4