Intelligence Computationnelle dans les Diagnostics du Cancer : Une Revue Contemporaine des Applications de Téléphone Intelligent, des Problèmes Actuels et des Potentiels de Recherche Futurs

Le cancer est une maladie dangereuse et parfois mortelle qui peut avoir plusieurs conséquences négatives pour le corps, c'est une cause principale de mortalité et devient de plus en plus difficile à détecter. Chaque forme de cancer a son propre ensemble de traits, de symptômes et de thérapies, et une identification et une gestion précoces sont importantes pour un pronostic positif. Les médecins utilisent une variété d'approches pour détecter le cancer, en fonction du type et de l'emplacement de la tumeur. Les tests d'imagerie tels que les radiographies, les tomodensitogrammes, les IRM et les tomographies par émission de positrons (TEP), qui peuvent fournir des images précises des structures intérieures du corps pour repérer d'éventuelles anomalies, sont quelques-uns des outils que les médecins utilisent pour diagnostiquer le cancer. Cet article évalue les approches d'intelligence computationnelle et fournit un moyen d'influencer les travaux futurs en mettant l'accent sur la pertinence des modèles d'apprentissage automatique et d'apprentissage profond tels que K Nearest Neighbour (KNN), Support Vector Machine (SVM), Naïve Bayes, Decision Tree, Deep Neural Network, Deep Boltzmann machine, etc. Il évalue les informations provenant de 114 études utilisant les éléments de rapport préférés pour les revues systématiques et les méta-analyses (PRISMA-ScR). Cet article explore les avantages et les inconvénients de chaque modèle et fournit un aperçu de leur utilisation dans le diagnostic du cancer. En conclusion, l'intelligence artificielle montre un potentiel significatif pour améliorer l'imagerie et le diagnostic du cancer, bien qu'il y ait un certain nombre de problèmes cliniques qui doivent être abordés.