رده‌بندي درجه تومور گليوماي ساقه مغز بر اساس يافته‌هاي MRI با استفاده از مدل ماشين بردار پشتيبان

Classification of brain stem glioma tumor grade based on MRI findings using support vector machine

هدف: گليوماي ساقه مغز يكي از انواع تومورهاي مغز است كه 10 تا 20 درصد تومورها در كودكان و 2 درصد تومورهاي بزرگسالان را شامل مي‌شود و داراي دو درجه پايين و بالا است. تشخيص درجه تومور گليوما توسط بيوپسي بيماران انجام مي‌شود. هدف از اين مطالعه ارايه يك مدل رده‌بندي براي تشخيص درجه تومور گليوما بر اساس يافته‌هاي MRI و هم‌چنين بررسي تاثير هر يك از يافته‌هاي MRI بر درجه تومور است. مواد و روش‌ها: در اين مطالعه توصيفي تحليلي، از اطلاعات MRI و پاتولوژي همه بيماران (96 نفر) داراي تومور مغزي گليوما كه طي سال‌هاي 85 تا 91 به بخش استريوتاكسي بيمارستان شهداي تجريش مراجعه كرده‌اند، استفاده شده است. براي تحليل داده‌ها از مدل ماشين بردار پشتيبان به عنوان يك مدل رده‌بندي با دقت بالا و مناسب براي داده‌هايي با تعداد متغير‌هاي زياد و يا متغيرهاي كيفي با رده‌هاي زياد و فراواني كم در رده‌ها، استفاده شده است. اجراي مدل در برنامه R نسخه 1.3.3 انجام شده است. يافته‌ها: دقت كلي مدل رده‌بندي ماشين بردار پشتيبان 93 درصد، حساسيت مدل 90 درصد و ويژگي آن 93 درصد است. داشتن سردرد، گسترش تومور در نخاع، ظاهر هموژن، ظاهر شبه كيست، سيگنال ايزو در T1 و T2، ارتباط مثبتي با درجه تومور پايين و درگيري پونز، گسترش تومور در تالاموس، ظاهر با حدود مشخص، ظاهر نكروزي، سيگنال هايپر در T2 و انهانسمنت هتروژن ارتباط مثبتي با تومور درجه بالا دارند. نتيجه‌گيري: مدل رده‌بندي ماشين بردار پشتيبان بر اساس يافته‌هاي MRI، در تشخيص درجه تومور دقت بالايي دارد

Introduction: Brain stem glioma is one of the brain tumors forming 10 to 20 percentages of tumors in children and 2 percentages of tumors in adults. It has two grades including high grade and low grade. Relatively, grade diagnosis is done by biopsy. The goal of this study is presenting a classification model based on MRI findings in order to diagnose glioma tumor and also investigating the effect of MRI findings on tumor’s grade. Materials and Methods: In this cross-sectional study, we utilized MRI and pathological information of all 96 patients with glioma tumor in stereotactic biopsy ward of Shohadaye Tajrish hospital (Iran) between 2006-2012. For analysis of data, support vector machine as a precise classification model has fitted which is suitable for dataset with vast predictors or several class variables with low frequencies in some of them. This model has fitted in R software, 3.3.1 version. Results: The validation shows 93 percent total accuracy, 90 percent sensitivity and 93 percent specifity of support vector machine classifier model. Notably, the coefficients show positive correlation between headache, tumor spread in cord, homogeneous appearance, Cystlike appearance, ISO signal in T1 and T2 and low grade tumor and positive correlation between pons conflict, Tumor spread in thalamus, well defined appearance, necrosis appearance, hypersignal in T2 and heterogeneous enhancement with high grade tumor. Conclusion: Support vector machine classification model based on MRI has high accuracy in tumor grade diagnosis.