ترجمه فارسی مقاله یادگیری انتقال عمیق برای تشخیص سرطان کلیه

چکیده

Many incurable diseases prevalent across global societies stem from various influences, including lifestyle choices, economic conditions, social factors, and genetics. Research predominantly focuses on these diseases due to their widespread nature, aiming to decrease mortality, enhance treatment options, and improve healthcare standards. Among these, kidney disease stands out as a particularly severe condition affecting men and women worldwide. Nonetheless, there is a pressing need for continued research into innovative, early diagnostic methods to develop more effective treatments for such diseases. Recently, automatic diagnosis of Kidney Cancer has become an important challenge especially when using deep learning (DL) due to the importance of training medical datasets, which in most cases are difficult and expensive to obtain. Furthermore, in most cases, algorithms require data from the same domain and a powerful computer with efficient storage capacity. To overcome this issue, a new type of learning known as transfer learning (TL) has been proposed that can produce impressive results based on other different pre-trained data. This paper presents, to the best of the authors’ knowledge, the first comprehensive survey of DL-based TL frameworks for kidney cancer diagnosis. This is a strong contribution to help researchers understand the current challenges and perspectives of this topic. Hence, the main limitations and advantages of each framework are identified and detailed critical analyses are provided. Looking ahead, the article identifies promising directions for future research. Moving on, the discussion is concluded by reflecting on the pivotal role of TL in the development of precision medicine and its effects on clinical practice and research in oncology.

چکیده به فارسی (ترجمه ماشینی)

بسیاری از بیماریهای غیرقابل تحمل که در جوامع جهانی رواج دارند ، ناشی از تأثیرات مختلف از جمله انتخاب شیوه زندگی ، شرایط اقتصادی ، عوامل اجتماعی و ژنتیک است.تحقیقات عمدتاً به دلیل ماهیت گسترده آنها ، با هدف کاهش مرگ و میر ، تقویت گزینه های درمانی و بهبود استانداردهای مراقبت های بهداشتی ، بر این بیماری ها متمرکز است.در میان اینها ، بیماری کلیه به عنوان یک بیماری شدید که بر زنان و مردان در سراسر جهان تأثیر می گذارد ، مشخص است.با این وجود ، نیاز جدی به تحقیقات مداوم در مورد روشهای ابتکاری و تشخیصی اولیه برای توسعه درمانهای مؤثرتر برای چنین بیماری هایی وجود دارد.اخیراً ، تشخیص خودکار سرطان کلیه به دلیل اهمیت آموزش مجموعه داده های پزشکی ، به یک چالش مهم تبدیل شده است ، به ویژه در هنگام استفاده از یادگیری عمیق (DL) ، که در بیشتر موارد دستیابی به آن دشوار و گران است.علاوه بر این ، در بیشتر موارد ، الگوریتم ها به داده هایی از همان دامنه و یک رایانه قدرتمند با ظرفیت ذخیره کارآمد نیاز دارند.برای غلبه بر این مسئله ، نوع جدیدی از یادگیری شناخته شده به عنوان یادگیری انتقال (TL) پیشنهاد شده است که می تواند بر اساس سایر داده های مختلف از پیش آموزش داده شده نتایج چشمگیری داشته باشد.در این مقاله ، به بهترین دانش نویسندگان ، اولین بررسی جامع از چارچوب های TL مبتنی بر DL برای تشخیص سرطان کلیه ارائه شده است.این یک کمک جدی برای کمک به محققان در درک چالش ها و دیدگاه های فعلی این موضوع است.از این رو ، محدودیت ها و مزایای اصلی هر چارچوب مشخص شده و تجزیه و تحلیل های مهم مفصلی ارائه شده است.با نگاهی به آینده ، مقاله مسیرهای امیدوارکننده برای تحقیقات آینده را مشخص می کند.در حال حرکت ، بحث با تأمل در مورد نقش محوری TL در توسعه پزشکی دقیق و تأثیرات آن بر عملکرد بالینی و تحقیقات در انکولوژی نتیجه گیری می شود.