جلسه دفاع رساله: شیما ایوبی نژاد، گروه مهندسی صنایع
عنوان رساله: ارائه رویکردی مبتنی بر یادگیری عمیق برای پیش آگهی ناهنجاری های پیش سرطانی براساس تصویرکاوی
ارائه کننده: شیما ایوبی نژاد
استاد راهنما: دکتر گلناز تاج الدین
استاد راهنمای دوم : دکتر توکتم خطیبی
استاد مشاور: دکتر مسعودرضا سهرابی
استاد داور داخلی: دکتر محمدمهدی سپهری، دکتر بختیار استادی
استاد داور خارج از دانشگاه: دکتر حسن آقاجانی، دکتر عمادالدین فاطمی زاده
نماینده تحصیلات تکمیلی : دکتر محمدمهدی سپهری
تاریخ: 1404/11/01
ساعت: 07:30
مکان: اتاق 351 دانشکده فنی و مهندسی
چکیده:
تحلیل تصاویر آندوسکوپی فوقانی، به عنوان یک فرآیند تشخیصی حیاتی، با چالشهای عملیاتی از جمله تخصیص بهینه منابع تخصصی محدود (پزشکان)، نرخ خطای انسانی، و عدم قطعیت ذاتی در دادههای پیچیده مواجه است. این پژوهش با بهکارگیری رویکرد مهندسی سیستمها و تحقیق در عملیات، به طراحی و پیادهسازی یک سامانه توزیع ترکیبی انسان و هوش مصنوعی (HADS) پرداخته است که هدف آن بهینهسازی همزمان کیفیت تشخیص، کارایی عملیاتی و بهرهوری منابع در یک چارچوب خدمات بهداشتی است. در لایه اول این چارچوب، با استفاده از مدیریت زنجیره تأمین داده و کنترل کیفیت آماری، سه مدل یادگیری عمیق تخصصی (مکانیابی، خودنظارتی، چند نمونهای) به عنوان ایستگاههای پردازشی موازی طراحی شدند که خروجیهای آنها همراه با شاخصهای ریسک، اطمینان و پیچیدگی، موجودی اطلاعاتی سیستم را تشکیل میدهند. در هسته مرکزی سیستم، یک مدل بهینهسازی ریاضی چندهدفه مبتنی بر نظریه تصمیمگیری و تخصیص منابع پویا توسعه یافت. این مدل، با در نظر گرفتن قیود عملیاتی (مانند زمان و تخصص)، هر تصویر را بر اساس یک تابع مطلوبیت ترکیبی که کیفیت تشخیص، هزینه خطا و بهرهوری منابع را یکجا کمّیسازی میکند، به بهترین منبع (انسان یا هوش مصنوعی) تخصیص میدهد. حل این مدل با مقدار بهینه ۷۷۹۶.۲۸، طرح بهینه تخصیص کار را ارائه نمود. ارزیابیهای سیستماتیک نشان داد که چارچوب پیشنهادی ضمن دستیابی به دقت تشخیص ۹۲.۸ درصد، با تخصیص 99.9 درصد موارد پرریسک به متخصصان، کیفیت خروجی را تضمین نموده و با تخصیص ۹۸.۱ درصد موارد کمریسک به پردازش خودکار، منجر به کاهش ۳۰.۲ درصد از حجم کار متخصصان (صرفهجویی در زمان و منابع) شد. تحلیل حساسیت و پایداری مدل بهینهسازی، قابلیت اطمینان آن را در شرایط مختلف عملیاتی تأیید کرد. همچنین، شناسایی یک آستانه ریسک بحرانی (2.75) ، امکان طراحی خط مشی تصمیمگیری استاندارد را فراهم ساخت. این مطالعه ثابت کرد که ادغام مهندسی شده مدلهای پیشین با چارچوبهای بهینهسازی تصمیمگیری، میتواند یک سامانه پشتیبان تصمیمگیری عملیاتی کارآمد ایجاد کند که بهبود معنادار در شاخصهای کلیدی عملکرد مانند کیفیت، کارایی و بهرهوری منابع را در یک فرآیند خدماتی پیچیده محقق سازد. چارچوب HADS یک راهحل مهندسی صنایع برای مدیریت هوشمند جریان کار و منابع در محیطهای تشخیص پزشکی ارائه میدهد.
