پیش بینی اشعه دریافتی قلب و ریه در بیماران سرطان پستان تحت پرتودرمانی با استفاده از یادگیری ماشین نظارت شده
- سال انتشار: 1403
- محل انتشار: فصلنامه بیماری های پستان، دوره: 17، شماره: 4
- کد COI اختصاصی: JR_IJBD-17-4_003
- زبان مقاله: فارسی
- تعداد مشاهده: 139
نویسندگان
Department of Health Information Technology, School of Allied Medical Sciences, Lorestan University of Medical Sciences, Khorramabad, Iran
Department of Computer Engineering, Faculty of Engineering, Lorestan University, Khorramabad, Iran
Department of Radiation Oncology, School of Medicine, Lorestan University of Medical Sciences, Khoramabad, Iran
Department of Radiology Technology, School of Allied Medical Sciences, Lorestan University of Medical Sciences, Khorramabad, Iran
Department of Health Information Technology, School of Allied Medical Sciences, Lorestan University of Medical Sciences, Khorramabad, Iran
چکیده
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 ماشیناطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.