دوره 11، شماره 2 - ( تابستان 1404 )
جلد 11 شماره 2 صفحات 156-143 |
برگشت به فهرست نسخه ها
Ethics code: مقاله مروری است و کد اخلاق ندارد
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zarooj Hosseini K, Naderi Boldaji N, golabpour A. A systematic review for comprehensive analysis of capabilities and challenges of image processing in telemedicine. JMIS 2025; 11 (2) :143-156
URL: http://jmis.hums.ac.ir/article-1-605-fa.html
URL: http://jmis.hums.ac.ir/article-1-605-fa.html
زروج حسینی کیمیا، نادری بلداجی نسترن، گلاب پور امین. ارائه مروری نظام مند برای تحلیل جامع قابلیتها و چالش های پردازش تصویر در دوراپزشکی. اطلاعرسانی پزشکی نوین. 1404; 11 (2) :143-156
گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران.
چکیده: (276 مشاهده)
هدف: این مطالعه باهدف ارزیابی قابلیت ها و چالش های پردازش تصویر در دورا پزشکی انجام شده است.
منابع اطلاعات یا داده ها: در این مطالعه، جستجو در پایگاه های PubMed، Scopus و Web of Science انجام شد و ۳۸ مقاله با توجه به معیارهای ورود انتخاب گردید.
روشهای انتخاب برای مطالعه: استخراج داده ها در پنج محور اصلی نوع الگوریتم های پردازش تصویر، ارزیابی بالینی و حضور پزشک در تیم تحقیق و نیازهای فنی و اقتصادی سیستم ها متمرکز بود.
ترکیب مطالب و نتایج: نتایج مرور نظام مند حاضر نشان داد که در میان ۳۸ مطالعه منتخب، بیشترین کاربرد مربوط به الگوریتم های یادگیری عمیق و به ویژه Convolutional Neural Network بوده است و پس ازآن، مدل های دیگر یادگیری ماشین از جمله Support Vector Machine و روش های ترکیبی در تعداد محدودتری به کار گرفته شده اند. ازنظر ماهیت یادگیری، اغلب مطالعات از الگوریتم های نوع EAGER استفاده کرده اند و تنها تعداد اندکی از مطالعات رویکرد LAZY را گزارش کرده اند، همچنین فقط ۱۸ درصد مطالعات از ارزیابی خارجی و ۳۹ درصد از مشارکت پزشکان استفاده کرده بودند.
نتیجه گیری: نتایج نشان می دهد هیچ یک از مقالات، تحلیل هزینه یا زیرساخت فنی کامل ارائه نکرده بودند و این امر یکی از شکاف های کلیدی پژوهش ها محسوب می شود؛ و اگرچه پردازش تصویر در دورا پزشکی ازنظر عملکرد الگوریتمی پیشرفت چشمگیری داشته است، اما کمبود تفسیرپذیری، ارزیابی بالینی محدود، نبود تحلیل اقتصادی و ارائه ناکافی نیازهای فنی، مانع از استفاده عملی آن در مقیاس وسیع است؛ بنابراین، برای توسعه سامانه های قابل اعتماد و مقرون به صرفه، پژوهشهای آینده با ید ارزیابی های جامع تر و تحلیل هزینه- فا یده تمرکز داشت.
منابع اطلاعات یا داده ها: در این مطالعه، جستجو در پایگاه های PubMed، Scopus و Web of Science انجام شد و ۳۸ مقاله با توجه به معیارهای ورود انتخاب گردید.
روشهای انتخاب برای مطالعه: استخراج داده ها در پنج محور اصلی نوع الگوریتم های پردازش تصویر، ارزیابی بالینی و حضور پزشک در تیم تحقیق و نیازهای فنی و اقتصادی سیستم ها متمرکز بود.
ترکیب مطالب و نتایج: نتایج مرور نظام مند حاضر نشان داد که در میان ۳۸ مطالعه منتخب، بیشترین کاربرد مربوط به الگوریتم های یادگیری عمیق و به ویژه Convolutional Neural Network بوده است و پس ازآن، مدل های دیگر یادگیری ماشین از جمله Support Vector Machine و روش های ترکیبی در تعداد محدودتری به کار گرفته شده اند. ازنظر ماهیت یادگیری، اغلب مطالعات از الگوریتم های نوع EAGER استفاده کرده اند و تنها تعداد اندکی از مطالعات رویکرد LAZY را گزارش کرده اند، همچنین فقط ۱۸ درصد مطالعات از ارزیابی خارجی و ۳۹ درصد از مشارکت پزشکان استفاده کرده بودند.
نتیجه گیری: نتایج نشان می دهد هیچ یک از مقالات، تحلیل هزینه یا زیرساخت فنی کامل ارائه نکرده بودند و این امر یکی از شکاف های کلیدی پژوهش ها محسوب می شود؛ و اگرچه پردازش تصویر در دورا پزشکی ازنظر عملکرد الگوریتمی پیشرفت چشمگیری داشته است، اما کمبود تفسیرپذیری، ارزیابی بالینی محدود، نبود تحلیل اقتصادی و ارائه ناکافی نیازهای فنی، مانع از استفاده عملی آن در مقیاس وسیع است؛ بنابراین، برای توسعه سامانه های قابل اعتماد و مقرون به صرفه، پژوهشهای آینده با ید ارزیابی های جامع تر و تحلیل هزینه- فا یده تمرکز داشت.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
