كلية التربية للعلوم الصرفة جامعة ذي قار تناقش رسالة الماجستير الموسومة لدراسة: كشف وتصنيف امراض الكبد باستخدام خوارزميات التعلم العميق”

نوقشت على سمنار الكلية لقسم علوم الحاسبات جامعة ذي قار رسالة الماجستير الموسومة:كشف وتصنيف امراض الكبد باستخدام خوارزميات التعلم العميق للباحث احمد ثجيل احمد

علماً ان الرسالة نوقشت من قبل اللجنة المكونة من الاساتذة المحترمين :
أ.م.د مشعل حمد عواد/ جامعة ذي قار / كلية التربية للعلوم الصرفة / رئيسا
أ.م.د. رائد مجيد مطشر/ جامعة سومر / كلية علوم الحاسوب وتكنلوجيا / عضوا
م.د. ولاء خشلان يسر/ جامعة ذي قار / كلية التربية للعلوم الصرفة / عضوا
أ.د كاظم حسن كبان جامعة ذي قار / كلية التربية للعلوم الصرفة / عضوا ومشرفا
وبعد دفاع الباحث عن رسالته والنتائج التي توصل إليها قبلت من قبل أعضاء اللجنة

الأهداف:
1. إنشاء نموذج يجمع بين الشبكات العصبية التلافيفية (CNN) وآلة الدعم المتجهي (SVM)لتعزيز دقة الكشف عن أمراض الكبد وتصنيفها.
2. استخدام مجموعات البيانات المختلفة لتحسين إمكانية تعميم النموذج ومعالجة قيود تنوع مجموعات البيانات التي تم تحديدها في الدراسات السابقة.
3. البحث عن استراتيجيات لدمج نماذج التعلم العميق في سير العمل السريري لتمكين الكشف عن الأمراض في الوقت الفعلي وتعزيز كفاءة التشخيص.
4. تنفيذ طرق استخراج الميزات متعددة المقاييس باستخدام شبكات (CNN) لالتقاط الميزات منخفضة المستوى وعالية المستوى ذات الصلة بأمراض الكبد.
5. استخدم Autoencder لتحقيق تقليل فعال للميزات، مما يضمن الاحتفاظ بالمعلومات المهمة مع تقليل التكاليف الحسابية.
الاستنتاج:
يُحسّن النظام المقترح الذي يتكون من نموذجي للتصنيف الأول هجين يجمع الشبكات العصبية التلافيفية (CNN) مع (SVM) لتصنيف أمراض الكبد دقة التشخيص بشكل ملحوظ ، مُعالجًا بذلك أوجه القصور في الأبحاث السابقة. اما النموذج الاخر استخدام نماذج التعلم العميق المتقدمة Resnet50, Resnet101, Vggnet_16 , و يُعزز استخراج الميزات متعدد المقاييس والمُشفّر التلقائي التحليل المُفصّل والكفاءة الحسابية. يَعِد هذا النهج بتطوير ممارسات التشخيص في مجال الرعاية الصحية، مُحسّنًا نتائج المرضى وإدارة الأمراض.

التوصيات:
1. تحسين الخوارزمية: لزيادة الدقة وتقليل وقت الحوسبة، قم بالتجربة باستخدام هياكل معمارية مختلفة ومعلمات فائقة واستراتيجيات تحسين لتحسين نموذج CNN-SVM الهجين.
2. أدوات التشخيص في الوقت الفعلي: إنشاء برنامج يدمج النموذج المقترح في البيئات السريرية بحيث يمكن تحليل التصوير الطبي وتفسيره على الفور.
3. مجموعات بيانات أكبر وأكثر تنوعًا: لتحسين قوة النموذج وإمكانية تعميمه، قم بزيادة حجم مجموعات بيانات التدريب لتشمل مجموعة أكبر من حالات أمراض الكبد والخلفيات العرقية ووسائل التصوير.
4. الذكاء الاصطناعي القابل للتفسير XAI: استخدم أساليب التفسير لمساعدة الأطباء على فهم الاقتراحات التشخيصية التي يعتمد عليها الذكاء الاصطناعي والثقة بها من خلال تقديم رؤى حول عملية صنع القرار في النموذج.
5. التكامل مع الوسائل الأخرى: لزيادة دقة التشخيص وتوفير صورة شاملة لصحة الكبد، قم بالبحث عن دمج بيانات التصوير من الوسائل الأخرى (مثل التصوير بالرنين المغناطيسي، والتصوير المقطعي المحوسب، والموجات فوق الصوتية).