- Avrupa Bilim ve Teknoloji Dergisi
- Ejosat Special Issue: (HORA) Special Issue
- Meme Kanseri Teşhis ve Prognozunda Radiomics ile Yapay Zeka Yöntemleri Kullanımı Hakkında Bir İncele...
Meme Kanseri Teşhis ve Prognozunda Radiomics ile Yapay Zeka Yöntemleri Kullanımı Hakkında Bir İnceleme
Authors : Tuba Parlar
Pages : 300-306
Doi:10.31590/ejosat.780052
View : 19 | Download : 9
Publication Date : 2020-08-15
Article Type : Review
Abstract :Dünya Sağlık Örgütünün 2020 kanser hastalığı raporuna göre meme kanseri en sık görülen kanser türlerinden biridir. Erken teşhis ve tedavi daha yüksek yaşam şansı ve daha iyi bir yaşam kalitesi için önemlidir. Radiomics, meme kanseri tanısında ve prognozunda yeni ve popüler bir araştırma alanıdır. Manyetik rezonans görüntüleme (MR), mamografi, ultrason (US) ve pozitron emüsyon tomografi / bilgisayarlı tomografi (PET / CT) gibi radyografik görüntüleme yöntemleri ile elde edilen görüntülerin sayısal özellikleri üzerinde çalışır. Radiogenomics ise radiomics veriyi kanserin teşhisi, prognozu ve tahmini destekleyecek çok sayıda genomics veri ile ilişkilendirmeye çalışır. Elde edilen radyografik görüntülerden büyük miktarda kandidatif veri çıkarılarak çok boyutlu büyük veri setleri elde edilir. Nitelik seçimi sınıflandırma doğruluğunu artırmak için değersiz nitelikleri veri setinden çıkaran önemli bir işlevdir. Nitelik seçim yöntemleri ile ayrılan değerli nitelikler makine öğrenme ya da derin öğrenme yöntemleri ile kanserin yakalanması, teşhisi, prognozun değerlendirilmesi amacıyla sınıflandırılır. Son yıllarda birçok araştırmacı yapay zeka yöntemlerinin tıp alanında kullanımının hızla gelişmesiyle bu kantitatif -omics verileri ile radiomics modeller geliştirmek amacıyla çok sayıda çalışma yapmışlardır. Bu inceleme, meme kanseri tanı ve prognozunda makine öğrenme ve derin öğrenme yöntemleri ile kullanılan radiomics ve radiogenomics modelleri hakkında literatür taraması yapmayı amaçlamaktadır. 2012 ile 2020 arasındaki araştırma makaleleri incelenmiş ve radyografik görüntüleme yöntemleri, radiomic nitelik çıkarma yöntemleri, nitelik seçme yöntemleri ve makine öğrenme ve derin öğrenme algoritmalarını kullanarak sınıflandırma yöntemleri sunulmuştur. Son olarak, meme kanseri radiomics modellerinin zorluklarını tartışıyor ve geleceteki bazı araştırma konularını öneriyoruz.Keywords : Derin Öğrenme, Makine Öğrenme, Meme kanseri, Radiogenomics, Radiomics