سال 13، شماره 1 - ( 3-1405 )
دوره 13 شماره 1 صفحات 25-12 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Sayyahi A, Alavi S E, Jaderian M. A Scientometric Study of Machine Learning and Deep Learning Methods for Non-Alcoholic Fatty Liver Disease Detection in Medical Imaging. CJS 2026; 13 (1) :12-25
URL: http://cjs.mubabol.ac.ir/article-1-411-fa.html
URL: http://cjs.mubabol.ac.ir/article-1-411-fa.html
سیاحی عادل، علوی سید عنایت الله، جادریان مرتضی. مطالعه علمسنجی روشهای یادگیری ماشین و یادگیری عمیق برای تشخیص بیماری کبد چرب غیرالکلی در تصویربرداری پزشکی. مجله علم سنجي كاسپين. 1405; 13 (1) :12-25
گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران ، Se.Alavi@scu.ac.ir
چکیده: (181 مشاهده)
سابقه و هدف: این پژوهش با هدف ترسیم چشمانداز تحقیقات مرتبط با تشخیص کبد چرب غیرالکلی (NAFLD) با استفاده از روشهای تصویربرداری پزشکی مانند سونوگرافی، تصویربرداری تشدید مغناطیسی (MRI) و توموگرافی کامپیوتری (CT) از طریق رویکردهای یادگیری ماشینی و یادگیری عمیق انجام شده است.
مواد و روشها: در این مطالعه توصیفی، تحلیل علمسنجی بر روی انتشارات نمایهشده در پایگاههای اطلاعاتی Web of Science، IEEE Xplore، Scopus و PubMed انجام گرفت. از ترکیب کلمات کلیدی مرتبط با یادگیری ماشینی، یادگیری عمیق و تشخیص کبد چرب غیرالکلی در تصویربرداری پزشکی برای شناسایی مقالات استفاده شد. تمرکز این تحلیل بر شناسایی روندهای انتشار، توزیع جغرافیایی و منابع اصلی تحقیق بود.
یافتهها: نتایج نشاندهنده افزایش چشمگیر کاربرد تکنیکهای یادگیری ماشینی و یادگیری عمیق در تشخیص کبد چرب غیرالکلی، بهویژه در دهه اخیر است. ایالات متحده، چین و هند بهعنوان بزرگترین مشارکتکنندگان در این حوزه شناخته شدند. همچنین، اهمیت همکاریهای بینالمللی در پیشبرد این زمینه تحقیقاتی، از یافتههای برجسته این مطالعه است. همکاری بین دانشگاههای برتر و گروههای تحقیقاتی بینالمللی نقش کلیدی در پیشرفت این پژوهشها ایفا کرده است.
نتیجهگیری: این تحلیل علمسنجی نشان میدهد که هوش مصنوعی بهسرعت در حال تغییر چشمانداز تشخیص بیماری NAFLD است. اگرچه پژوهشهای اخیر به دقتهای تشخیصی چشمگیری، بهویژه در مدلهای یادگیری عمیق، دست یافتهاند، اثرگذاری واقعی این فناوری در عمل بالینی به عواملی فراتر از عملکرد عددی وابسته است. روندهای پژوهشی حاکی از حرکت تدریجی از مدلهای صرفاً دقیق به سوی سامانههای قابلتفسیر، قابلاعتماد و قابلپیادهسازی در بالین هستند. این نتایج بیانگر آن است که آینده تشخیص مبتنی بر هوش مصنوعی در NAFLD، در همراستاسازی نوآوری فناورانه با نیازهای واقعی بالینی نهفته است؛ مسیری که میتواند به تشخیصهای عادلانهتر و کارآمدتر منجر شود.
مواد و روشها: در این مطالعه توصیفی، تحلیل علمسنجی بر روی انتشارات نمایهشده در پایگاههای اطلاعاتی Web of Science، IEEE Xplore، Scopus و PubMed انجام گرفت. از ترکیب کلمات کلیدی مرتبط با یادگیری ماشینی، یادگیری عمیق و تشخیص کبد چرب غیرالکلی در تصویربرداری پزشکی برای شناسایی مقالات استفاده شد. تمرکز این تحلیل بر شناسایی روندهای انتشار، توزیع جغرافیایی و منابع اصلی تحقیق بود.
یافتهها: نتایج نشاندهنده افزایش چشمگیر کاربرد تکنیکهای یادگیری ماشینی و یادگیری عمیق در تشخیص کبد چرب غیرالکلی، بهویژه در دهه اخیر است. ایالات متحده، چین و هند بهعنوان بزرگترین مشارکتکنندگان در این حوزه شناخته شدند. همچنین، اهمیت همکاریهای بینالمللی در پیشبرد این زمینه تحقیقاتی، از یافتههای برجسته این مطالعه است. همکاری بین دانشگاههای برتر و گروههای تحقیقاتی بینالمللی نقش کلیدی در پیشرفت این پژوهشها ایفا کرده است.
نتیجهگیری: این تحلیل علمسنجی نشان میدهد که هوش مصنوعی بهسرعت در حال تغییر چشمانداز تشخیص بیماری NAFLD است. اگرچه پژوهشهای اخیر به دقتهای تشخیصی چشمگیری، بهویژه در مدلهای یادگیری عمیق، دست یافتهاند، اثرگذاری واقعی این فناوری در عمل بالینی به عواملی فراتر از عملکرد عددی وابسته است. روندهای پژوهشی حاکی از حرکت تدریجی از مدلهای صرفاً دقیق به سوی سامانههای قابلتفسیر، قابلاعتماد و قابلپیادهسازی در بالین هستند. این نتایج بیانگر آن است که آینده تشخیص مبتنی بر هوش مصنوعی در NAFLD، در همراستاسازی نوآوری فناورانه با نیازهای واقعی بالینی نهفته است؛ مسیری که میتواند به تشخیصهای عادلانهتر و کارآمدتر منجر شود.
نوع مطالعه: اصیل |
موضوع مقاله:
علم سنجی
دریافت: 1404/8/15 | ویرایش نهایی: 1404/12/21 | پذیرش: 1405/1/10 | انتشار الکترونیک: 1405/1/26
دریافت: 1404/8/15 | ویرایش نهایی: 1404/12/21 | پذیرش: 1405/1/10 | انتشار الکترونیک: 1405/1/26
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
