به کار گیری روش های یادگیری ماشین جهت پیش بینی میزان زنده ماندن بیماران گلیوبلاستوما با استفاده از تصاویر تشدید مغناطیسی

مقدمه:  در این مطالعه روشی جهت پیش بینی خودکار میزان طول عمر بیماران مبتلا به تومور مغزی گلیوبلاستوما مبتنی بر روش های یادگیری ماشین و تصاویر MRI ارائه شده است. روش کار: مجموعه داده مورد استفاده در این مطالعه، پایگاه داده BraTS ۲۰۱۷ با ۱۶۳ نمونه است. هر نمونه از تصاویر پایگاه داده دارای چهار مدالیته مختلف تصویرگیری و همچنین اطلاعاتی نظیر میزان طول عمر کلی بیمار بر حسب روز و سن بیمار است. تصاویر مجموعه داده بر اساس طول عمر بیمار پس از درمان به سه دسته: کوتاه مدت، میان مدت و بلند مدت برچسب گذاری شده است. برای بهبود نتایج پیش بینی، انواع مختلفی از ویژگی ها استخراج و توسط روش های مختلف یادگیری ماشین، آموزش داده شدند. ویژگی های در نظر گرفته شده شامل ویژگی های بافت، حجمی، آماری و ویژگی های عمیق است. روش های یادگیری ماشین مورد استفاده شامل ماشین بردار پشتیبان، نزدیک ترین همسایه، آنالیز افتراق خطی و درخت تصمیم است. یافته ها: بهترین صحت پیش بینی براساس طبقه بندی با استفاده از ویژگی های عمیق استخراج شده توسط یک شبکه عصبی کانولوشنال از پیش آموزش دیده و توسط روش آنالیز افتراق خطی به دست آمده است. نتیجه گیری: روش های یادگیری عمیق قابلیت بالایی در تخمین پارامترهای مهم پزشکی مانند میزان زنده ماندن افراد مبتلا به سرطان دارند.

کلیدواژه ها:

Survival Time ، Deep Learning ، Glioblastoma ، Classification ، MRI ، مدت زمان زنده ماندن ، یادگیری عمیق ، گلیوبلاستوما ، طبقه بندی ، تصویربرداری تشدید مغناطیسی