کاربرد رادیومیکس در پرتو درمانی، چالش های آن و چشم اندازهای پیش رو

سابقه و هدف: درمان اختصاصی هر بیمار بر پایه داده های بالینی اش، از دورنماهای پزشکی آینده است. بکارگیری روش های داده کاوی و یادگیری ماشین با علوم رایانه در استخراج ویژگی های کمی تصویر برای بهبود فرآیند تشخیص، پیش آگهی، پیش بینی و پاسخ به درمان سرطان ها با واژه رادیومیکس شناخته می شود. در این مقاله به بررسی گردش کار، یافته های به دست آمده، چالش های پیش رو و نقش رادیومیکس به سوی پزشکی دقیق و درمان شخصی، پرداخته می شود. مواد و روش ­ها: در این مطالعه مروری، نمایه های شناخته شده  ISC، web of science، Google Scholar، Scopus،PubMed  بدون کرانه زمانی و با واژه های کلیدی رادیومیکس، پرتو درمانی، سرطان و تصویربرداری کمی جستجو و نوشتار وابسته گردآوری گردید. یافته ها: رادیومیکس آمیزه ای از تشخیص روزمره به کمک رایانه، روش های یادگیری ماشین، عمیق و مهارت های انسانی است که می توان آن را برای توصیف کمی فنوتیپ های توده های سرطانی به کار برد. گردآوری و پیش پردازش تصویر، قطعه بندی توده، استخراج ویژگی ها، پردازش و الگوسازی، چند گام بنیادی فرآیند رادیومیکس هستند. برش نگاری رایانه ای (CT)، تصویربرداری تشدید مغناطیسی (MRI) و برش نگاری گسیل پوزیترون (PET) و روش های فرا صوت (US)، تصویرهای به کارگیری شده می باشند. نتیجه گیری: بر اساس نتایج این مطالعه پیش نیاز اجرای بالینی رادیومیکس از بین بردن نارسایی هایی همانند، وابستگی ویژگی ها به پارامترهای تصویربرداری، تکرار ناپذیری ویژگی ها می باشد. بنابراین بایستی روش فراگیری پایه گذاری شود و الگو هایی پایدار و بازتولید شونده ای درست شوند تا رادیومیکس را به عنوان یک ابزار پیش آگهی بالینی بپذیرند.

کلیدواژه ها:

Radiomics ، Radiotherapy ، Cancer ، Quantitative Imaging. ، رادیومیکس ، پرتو درمانی ، سرطان ، تصویربرداری کمی.