fa ارائه مروری نظام مند برای تحلیل جامع قابلیتها و چالش های پردازش تصویر در دوراپزشکی عمومى General مروری Review <div style="text-align: justify;"><span style="font-size:14px;"><span style="font-family:yekanYW;"><span style="line-height:2;"><span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">هدف</span></b><span lang="AR-SA">: این مطالعه باهدف ارزیابی قابلیت ها و چالش های پردازش تصویر در دورا پزشکی انجام شده است</span>.</span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">منابع اطلاعات یا داده ها:</span></b><span lang="AR-SA"> در این مطالعه، جستجو در پایگاه های</span> PubMed<span lang="AR-SA">، </span>Scopus <span lang="AR-SA">و</span> Web of Science <span lang="AR-SA">انجام شد و </span><span lang="FA">۳۸</span><span lang="AR-SA"> مقاله با توجه به معیارهای ورود انتخاب گردید</span>.</span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">روشهای انتخاب برای مطالعه:</span></b><span lang="AR-SA"> 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</span>.</span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">ترکیب مطالب و نتایج:</span></b><span lang="AR-SA"> نتایج مرور نظام مند حاضر نشان داد که در میان </span><span lang="FA">۳۸</span><span lang="AR-SA"> مطالعه منتخب، بیشترین کاربرد مربوط به الگوریتم های یادگیری عمیق و به ویژه</span> Convolutional Neural Network <span lang="AR-SA">بوده است و پس ازآن، مدل های دیگر یادگیری ماشین از جمله</span> Support Vector Machine <span lang="AR-SA">و روش های ترکیبی در تعداد محدودتری به کار گرفته شده اند. ازنظر ماهیت یادگیری، اغلب مطالعات از الگوریتم های نوع</span> EAGER <span lang="AR-SA">استفاده کرده اند و تنها تعداد اندکی از مطالعات رویکرد</span> LAZY <span lang="AR-SA">را گزارش کرده اند، همچنین فقط </span><span lang="FA">۱۸</span><span lang="AR-SA"> درصد مطالعات از ارزیابی خارجی و </span><span lang="FA">۳۹</span><span lang="AR-SA"> درصد از مشارکت پزشکان استفاده کرده بودند</span>.</span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">نتیجه گیری:</span></b><span lang="AR-SA"> 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</span>.</span></span></span></span></span><br> &nbsp;</div> <span style="line-height:2;"><span style="font-size:14px;"><span style="font-family:Times New Roman;"><strong>Introduction</strong>: This study aimed to evaluate the capabilities and challenges of image processing in telemedicine.<br> Information sources or data: A literature search was conducted in PubMed, Scopus, and Web of Science, and 38 articles were selected based on the predefined inclusion criteria.<br> <strong>Selection methods for study:</strong> Data were extracted across five main domains: (1) types of image processing algorithms, (2) clinical evaluation, (3) physician involvement in the research team, and (4) technical and economic requirements of the systems.<br> <strong>Combine content and results: </strong>The findings of this systematic review indicated that among the 38 included studies, the most frequently used approaches were deep learning algorithms, particularly convolutional neural networks (CNNs). Other machine learning models such as SVM and hybrid approaches were used less frequently. Regarding learning paradigms, most studies employed EAGER algorithms, whereas only a small number reported LAZY approaches. In addition, only 18% of the studies performed external validation, and 39% reported physician participation.<br> <strong>Conclusion</strong>: The results indicate that none of the included studies reported a cost analysis or provided a comprehensive description of the technical infrastructure, representing a major gap in the existing literature. Although image processing in telemedicine has achieved substantial algorithmic performance improvements, limited interpretability, restricted clinical evaluation, lack of economic assessment, and insufficient reporting of technical requirements remain key barriers to large-scale real-world implementation. Therefore, future research should focus on more comprehensive evaluations and cost&ndash;benefit analyses to support the development of reliable and cost-effective telemedicine image processing systems.</span></span></span> دوراپزشکی, پردازش تصویر, هوش مصنوعی, زیرساخت فنی Telemedicine, Image Processing, Artificial Intelligence, Technical Infrastructure 143 156 http://jmis.hums.ac.ir/browse.php?a_code=A-10-909-3&slc_lang=fa&sid=1 Kimia Zarooj Hosseini کیمیا زروج حسینی k_zhosseini@yahoo.com 100319475328460013688 100319475328460013688 No Student Research Committee, Department of Health Information Technology and Management, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran کمیته تحقیقات دانشجویی، گروه فناوری اطلاعات و مدیریت سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران. Nastaran Naderi Boldaji نسترن نادری بلداجی naderinastaran696@gmail.com 100319475328460013689 0009-0009-6949-4882 No Mehr Arvand Institute of Higher Education, Khorramshahr, Iran. موسسه آموزش عالی مهر اروند، خرمشهر، ایران amin golabpour امین گلاب پور a.golabpour@gmail.com 100319475328460013690 100319475328460013690 Yes Department of Health Informatics Technology, School of Allied Medical Sciences, Shahroud University of Medical Sciences, Shahroud, Iran. گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران.