آدرس ایمیل خود را وارد نمایید
ثبت
پیام خود را بنویسید
مجله علمی بیماری های پستان ایران
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
Ethics code: IR.LUMS.REC.1402.174
پوریا افشاری فرد1 
، محمدباقر دولتشاهی2 
، مهشید عباسی3 ، عباس رضائیان4 ، مرتضی امرائی* 5
، محمدباقر دولتشاهی2 ، مهشید عباسی3 ، عباس رضائیان4 ، مرتضی امرائی* 5
1- گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی لرستان، خرم آباد، ایران
2- گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه لرستان، خرم آباد، ایران
3- گروه رادیوانکولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی لرستان، خرم آباد، ایران
4- گروه تکنولوژی پرتوشناسی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی لرستان، خرم آباد، ایران
5- گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی لرستان، خرم آباد، ایران ،morteza.amraei@yahoo.com
2- گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه لرستان، خرم آباد، ایران
3- گروه رادیوانکولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی لرستان، خرم آباد، ایران
4- گروه تکنولوژی پرتوشناسی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی لرستان، خرم آباد، ایران
5- گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی لرستان، خرم آباد، ایران ،
چکیده: (207 مشاهده)
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 1402 و با استخراج ویژگی های آناتومیکی موجود در CT-Scan قفسه سینه 210 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 F1-Score, Hamming loss, استفاده شد.
یافته ها: با توجه به نتایج ارزیابی عملکرد 7 الگوریتم دسته بندی چند برچسبه و با درنظر گرفتن 16 متغیر آناتومیکی تاثیرگذار بر میزان اشعه دریافتی قلب و ریه، الگوریتم جنگل تصادفی (RF) با صحت 9/ 41%، دقت 3/ 73%، پوشش 6/ 70%، امتیازF1 3/ 71% و زیان همینگ 4/ 27% 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 پرتودرمانی3D 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.
روش بررسی: این مطالعه کاربردی از طریق بررسی پرونده های پزشکی در سال 1402 و با استخراج ویژگی های آناتومیکی موجود در CT-Scan قفسه سینه 210 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 F1-Score, Hamming loss, استفاده شد.
یافته ها: با توجه به نتایج ارزیابی عملکرد 7 الگوریتم دسته بندی چند برچسبه و با درنظر گرفتن 16 متغیر آناتومیکی تاثیرگذار بر میزان اشعه دریافتی قلب و ریه، الگوریتم جنگل تصادفی (RF) با صحت 9/ 41%، دقت 3/ 73%، پوشش 6/ 70%، امتیازF1 3/ 71% و زیان همینگ 4/ 27% 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 پرتودرمانی3D 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.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
