تخطى إلى المحتوى
العالِم العربي
  • الصفحة الرئيسية
  • مجالات الأبحاث
  • أحدث الأبحاث
  • عن الموقع
  • تواصل معنا
  1. الرئيسية
  2. قائمة الموضوعات الرئيسية
  3. الذكاء الاصطناعي في اكتشاف السرطان

الأبحاث ضمن الموضوع : الذكاء الاصطناعي في اكتشاف السرطان




  • طرق التلوين الافتراضية H&E إلى IHC في سرطان الثدي: نظرة عامة ومعايير مرجعية

    2026 | المؤلف: Pascal Klöckner وآخرون | المجلة: npj Digital Medicine | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تقدم هذه القسم نظرة عامة على التقدم في تقنيات الصبغ الافتراضي، خاصة في سياق تشخيص سرطان الثدي (BC). يبرز مرونة منهجيات التدريب، مما يسمح بوجود بيانات متزاوجة وغير متزاوجة، حيث تكون الأساليب غير المتزاوجة مفيدة بشكل خاص في التصوير الطبي حيث غالبًا ما تكون العينات المتزاوجة غير متاحة. تؤكد المراجعة على أهمية الصبغ الافتراضي لمؤشرات…


  • فحص الاضطرابات الفموية المحتملة الخبيثة وسرطان الفم باستخدام نماذج التعلم العميق

    2026 | المؤلف: Karishma Madhusudan Desai وآخرون | المجلة: Scientific Reports | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تبحث الدراسة في فعالية أدوات فحص الذكاء الاصطناعي (AI) للتشخيص المبكر للاضطرابات الفموية المحتملة الخبيثة (OPMDs) وسرطانات الفم باستخدام تطبيقات الهواتف الذكية. تم تدريب واختبار نموذجين من التعلم العميق، DenseNet201 ونموذج FixCaps المعدل، على مجموعة بيانات تضم 518 صورة تجويف فم. حقق نموذج DenseNet201، وهو نموذج مدرب مسبقًا، درجة F1 تبلغ 87.50% ومنطقة تحت المنحنى…


  • تعزيز كشف سرطان الرئة من خلال دمج التعلم العميق ونماذج المحولات

    2026 | المؤلف: Revathi Durgam وآخرون | المجلة: Scientific Reports | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تقدم ورقة البحث إطار عمل تآزر سرطان نكسس (CanNS)، الذي يهدف إلى تعزيز اكتشاف سرطان الرئة من خلال تقنيات التعلم الآلي المتقدمة. يدمج الإطار ثلاثة مكونات رئيسية: Swin-Transformer UNet (SwiNet) للتجزئة، وXception-LSTM GAN (XLG) CancerNet للتصنيف، وخوارزمية Devilish Levy Optimization (DevLO) لضبط المعلمات. يعالج هذا النهج المبتكر العديد من القيود الموجودة في النماذج الحالية، مثل…


  • MSCPT: تصنيف صور الشرائح الكاملة قليل اللقطات مع ضبط دقيق متعدد المقاييس ومركز على السياق

    2026 | المؤلف: Minghao Han وآخرون | المجلة: IEEE Transactions on Medical Imaging | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تقدم ورقة البحث نهجًا جديدًا يسمى ضبط التوجيه متعدد المقاييس والتركيز على السياق (MSCPT) يهدف إلى تعزيز تصنيف الصور الكاملة ذات الإشراف الضعيف بعدد قليل من العينات (FSWC). تتطلب طرق التعلم المتعدد الحالات التقليدية (MIL) بيانات موسومة واسعة، والتي غالبًا ما تكون نادرة، خاصة للأمراض النادرة. يتناول MSCPT هذه التحديات من خلال استخدام نماذج الرؤية…


  • الكشف المبكر عن سرطان الرئة المعتمد على الكشف عن الأجسام باستخدام التعلم العميق

    2026 | المؤلف: Kuo‐Yang Huang وآخرون | المجلة: Frontiers in Medicine | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تناقش هذه الفقرة أهمية التشخيص المبكر والتصنيف الدقيق لسرطان الرئة، مع التأكيد على تأثيره على العلاج السريري وبقاء المرضى. تبرز التقدمات في الذكاء الاصطناعي، لا سيما في تحليل الصور الطبية، باستخدام مجموعة بيانات Lung-PET-CT-Dx العامة لتدريب وتقييم نماذج مختلفة. تم إجراء تحليل مقارن لسلسلة You Only Look Once (YOLO) – تحديدًا YOLOv5 وYOLOv8 وYOLOv9 وYOLOv10…


  • نموذج هجين متقدم للتعلم العميق لتقييم معزز لصور الهيستوباثولوجيا للأوستيوساكروما

    2026 | المؤلف: Arezoo Borji وآخرون | المجلة: Frontiers in Medicine | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تقدم ورقة البحث نموذج هجين جديد يدمج الشبكات العصبية التلافيفية (CNNs) ومحولات الرؤية (ViTs) لتعزيز دقة تشخيص الساركوما العظمية (OS) باستخدام صور الهيستوباثولوجيا الملونة بصبغة الهيماتوكسيلين والإيوزين (H&E). نظرًا للحاجة الملحة للكشف المبكر والدقيق عن OS، خاصةً في الأطفال والمراهقين، يهدف النموذج إلى معالجة التحديات التي تطرحها الزيادة المستمرة في انتشار السرطان والطلب على العلاج…


  • شبكة تعلم هجين مع تغيير الحجم التدريجي وPCA لتشخيص سرطان عنق الرحم على شرائح

    2026 | المؤلف: Nitin Kumar Chauhan وآخرون | المجلة: Scientific Reports | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تقدم ورقة البحث شبكة تعلم هجينة مصممة لتعزيز تشخيص سرطان عنق الرحم باستخدام صور الشرائح الكاملة (WSI). يدمج هذا الإطار المبتكر إعادة الحجم التدريجي وتحليل المكونات الرئيسية (PCA) لتحسين استخراج الميزات من الصور المعززة ذات الدقة المتفاوتة. بشكل محدد، يستخدم نموذجين عميقين مدربين بدقة، ResNet-152 و VGG-16، باستخدام تقنيات التعلم الانتقالي والتدريب الدقيق. ثم تتم…


  • الاستفادة من الشبكات العصبية التلافيفية التجميعية واستراتيجيات الميتاهيرستيك لفحص وتصنيف أمراض الكلى المتقدمة

    2026 | المؤلف: Abeer Saber وآخرون | المجلة: Scientific Reports | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تقدم البحث نظامًا يعتمد على الذكاء الاصطناعي مصممًا لتحديد أمراض الكلى تلقائيًا، مما يعالج القضية الحرجة للصحة العامة المتعلقة بفشل الكلى ونقص أطباء الكلى. باستخدام التقدم في التعلم الآلي والتعلم العميق، يركز الدراسة على ثلاث فئات رئيسية من أمراض الكلى – الحصوات، الكيسات، والأورام – مع تحليل مجموعة بيانات تتكون من 12,446 صورة مقطعية محوسبة…


  • تقييم نماذج الأساس في علم الأمراض: استراتيجيات وسيناريوهات التكيف

    2026 | المؤلف: Zhenyun Du وآخرون | المجلة: Computers in Biology and Medicine | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    في هذه الدراسة، يقوم المؤلفون بتقييم أربعة نماذج أساسية محددة في علم الأمراض لتقييم قدرتها على التكيف عبر مجموعات بيانات ومهام متنوعة في علم الأمراض الحاسوبي. يركزون على سيناريوهين رئيسيين: تقييم الاتساق وتقييم المرونة. في تقييم الاتساق، تم اختبار خمس طرق للتعديل الدقيق، مما كشف أن التعديل الدقيق الفعال من حيث المعلمات (PEFT) كان فعالًا…


  • المشهد الحالي للذكاء الاصطناعي في علم الأمراض النسيجية الحسابية لتشخيص السرطان

    2026 | المؤلف: Aaditya Tiwari وآخرون | المجلة: Discover Oncology | المجال: الذكاء الاصطناعي (Artificial Intelligence)

    تقدم هذه القسم نظرة عامة على الدور المتطور للذكاء الاصطناعي (AI) في التحليل النسيجي المرضي، مع تسليط الضوء على انتقاله إلى الممارسة السريرية كأداة رئيسية لتفسير الصور النسيجية. تشمل المراجعة دراسات من 2013 إلى 2024، تفحص منهجيات التعلم العميق المختلفة مثل التعلم المراقب، والتعلم غير المراقب، والتعلم المراقب بشكل ضعيف، والتعلم الانتقالي، والتي تُستخدم لأغراض…


←السابق
1 … 3 4 5 6 7 … 14
التالي→

حقوق النشر © 2026 العالِم العربي. جميع الحقوق محفوظة. موقع العالِم العربي غير مسؤول عن محتوى المواقع الخارجية.