ارائه معماری مبتنی بر اینترنت اشیا جهت پایش فعالیت های بیماری با استفاده از یادگیری عمیق

در دنیای امروزی، سرطان سینه یکی از دلایل مرگ ومیر و از وحشتناک ترین بیماری ها شناخته شده است، که یکی از علل بالقوه مرگ در زنان است. بااینکه یکی از قابل درمان ترین بیماری ها محسوب می شود اما مهم این است که با تشخیص به هنگام آن می‏توان میزان مرگ ومیر در طولانی مدت را کاهش داد. به عنوان راه حلی برای پیش‏بینی و درمان این بیماری، سیستم تشخیص خودکار بیماری در تشخیص و تجزیه وتحلیل به حوزه پزشکی کمک شایانی می کند که پاسخ سریع، قابلیت اطمینان، اثربخشی و همچنین کاهش خطر مرگ را ارائه می دهد. لذا در این مقاله از الگوریتم حافظه کوتاه مدت طولانی (LSTM) که یک الگوریتم یادگیری است استفاده شد، چراکه منجر به مدل‏هایی پایدارتر و با دقت بیشتر می شود. نتایج شبیه سازی و مقایسه با دیگر مقالات نشان داد که استفاده از این الگوریتم موجب بهبود دقت و حساسیت در تشخیص سرطان سینه شده و توانستیم با کمک الگوریتم LSTM به تشخیص اینکه آیا منطقه مشکوک ناژول است یا خیر برسیم. ارزیابی ها نشان می دهد که حساسیت روش پیشنهادی به خصوص در برخورد با ناژول های کوچک بسیار مطلوب است. نرخ خطای مثبت برآورد شده برای روش پیشنهادی 16.67% است که نسبت به کارهای دیگر کمتر است