پیش بینی اشعه دریافتی قلب و ریه در بیماران سرطان پستان تحت پرتودرمانی با استفاده از یادگیری ماشین نظارت شده

مقدمه: قلب و ریه از جمله ارگان­ های در معرض خطر دریافت اشعه اضافی در طول پرتودرمانی بیماران مبتلا به سرطان پستان هستند. در سال­ های اخیر هوش مصنوعی و یادگیری ماشین در علم پزشکی تحولات زیادی به وجود آورده است؛ هدف از این مطالعه پیش ­بینی اشعه دریافتی قلب و ریه با درنظر گرفتن ویژگی­ های آناتومیکی برای بیماران سرطان پستان تحت پرتودرمانی با استفاده از یادگیری ماشین است. روش بررسی: این مطالعه کاربردی از طریق بررسی پرونده­ های پزشکی در سال ۱۴۰۲ و با استخراج ویژگی­ های آناتومیکی موجود در CT-Scan قفسه­ سینه ۲۱۰ بیمار زن مبتلا به سرطان پستان چپ بعد از عمل جراحی لامپکتومی انجام شد. اطلاعات بیماران از سیستم ذخیره و انتقال تصاویر (PACS) استخراج شد و برای پیش­ بینی اشعه دریافتی قلب و ریه از الگوریتم ­های دسته ­بندی چند برچسبه استفاده شد. همچنین برای ارزیابی عملکرد الگوریتم­ ها ازAccuracy , Precision , Recall   F۱-Score,  Hamming loss, استفاده شد. یافته­ ها: با توجه به نتایج ارزیابی عملکرد ۷ الگوریتم دسته ­بندی چند برچسبه و با درنظر گرفتن ۱۶ متغیر آناتومیکی تاثیرگذار بر میزان اشعه دریافتی قلب و ریه، الگوریتم جنگل تصادفی (RF) با صحت ۹/ ۴۱%، دقت ۳/ ۷۳%، پوشش ۶/ ۷۰%، امتیازF۱  ۳/ ۷۱% و زیان همینگ ۴/ ۲۷% بهترین عملکرد را بین سایر الگوریتم­ ها داشته است. نتیجه ­گیری: با استفاده از الگوریتم ­های یادگیری ماشین و با در نظرگرفتن ویژگی­ های آناتومیکی می­ توان بیماران مناسب برای پرتودرمانی۳D wedge pair  را شناسایی کرده و برای سایر بیماران که در خطر دریافت دوز بالای اشعه قلب و ریه هستند تکنیک­ های پیشرفته­ تر مانندIMRT  (پرتودرمانی با شدت مدوله شده) یا DIBH (پرتودرمانی با تکنیک کنترل تنفس) و .... را پیشنهاد داد.

کلیدواژه ها:

Breast Neoplasm ، Heart ، Lung ، Machine learning ، Radiation Dose ، پرتودرمانی ، ریه ، سرطان پستان ، قلب ، یادگیری ماشین