سرطان پانکراس همچنان یکی از مرگبارترین بدخیمی‌ها در سطح جهان است و میزان بقای پنج‌ساله آن تنها در حدود ?? تا ?? درصد است. تشخیص زودهنگام و دقیق از طریق تصویربرداری توموگرافی رایانه‌ای (CT) برای بهبود پیامدهای بیماران اهمیتی حیاتی دارد؛ بااین‌حال، تفسیر دستیِ رادیولوژیک ماهیتی ذهنی و زمان‌بر دارد و در معرض تغییرپذیری میان‌مشاهده‌گرها قرار دارد. این پایان‌نامه چارچوبی جامع برای تشخیص رایانه‌یار (CAD) به‌منظور طبقه‌بندی دودویی تصاویر CT پانکراس (طبیعی در برابر تومور) با به‌کارگیری شبکه عصبی پیچشی سه‌بُعدی DenseNet121 ارائه می‌کند. چارچوب پیشنهادی یک خط‌لوله سرتاسری و دقیق را در بر می‌گیرد که شامل پیش‌پردازش تصاویر CT (برش واحدهای هانسفیلد، نرمال‌سازی و استخراج ناحیه موردنظر سه‌بُعدی)، تقسیم داده‌ها در سطح بیمار برای جلوگیری از نشت داده، و یک طبقه‌بند DenseNet121 آموزش‌دیده با تابع زیان آنتروپی متقاطع وزن‌دار برای رویارویی با عدم توازن کلاس‌هاست. پروتکل ارزیابی از سنجه‌های مرسوم دقت فراتر می‌رود و بهینه‌سازی آستانه بر پایه شاخص یودن روی مجموعه اعتبارسنجی، ارزیابی واسنجی احتمالاتی از طریق امتیاز برایر و خطای واسنجیِ موردانتظار (ECE)، و تبیین‌پذیری بصریِ مکانی از طریق نگاشت فعال‌سازی کلاس وزن‌دهی‌شده با گرادیان (Grad-CAM) را نیز شامل می‌شود. مدل بر روی یک مجموعه‌داده ترکیبی شامل ??? بیمار (?? نمونه طبیعی از پایگاه NIH Pancreas-CT و ?? نمونه تومور از Medical Segmentation Decathlon Task07) آموزش داده شد و در بهترین دوره (Epoch 3) به کارایی درونی چشمگیری دست یافت؛ به‌گونه‌ای که سطح زیر منحنی ROC (AUC) برابر با ???، دقت متوازن برابر با ???، حساسیت برابر با ???، ویژگی برابر با ??? و امتیاز F1 برابر با ??? به دست آمد. تصویرسازی‌های Grad-CAM تایید کردند که مدل بر نواحی تشریحیِ بالینیِ مرتبط با پانکراس تمرکز دارد. بااین‌حال، این نتایج با احتیاط تفسیر می‌شوند. کارایی بالا ممکن است به‌جای تعمیم‌پذیری بالینیِ راستین، بازتابی از ویژگی‌های خاصِ مجموعه‌داده یا تفاوت‌های دامنه میان دو مجموعه‌داده منبع باشد. این پایان‌نامه این محدودیت‌ها را به‌صراحت شناسایی و بررسی می‌کند و اعتبارسنجی بیرونی روی مجموعه‌داده‌های مستقل و چندمرکزی را به‌عنوان گام بنیادینِ بعدی، پیش از هرگونه ملاحظه به‌کارگیری بالینی، توصیه می‌نماید. چارچوب پیشنهادی یک معیار روش‌شناختی برای ارزیابی شفاف، واسنجیده و تبیین‌پذیرِ هوش مصنوعیِ پزشکی پایه‌گذاری می‌کند.