ارائه يك سيستم كمك تصميم يار باليني جهت تشخيص سرطان پستان

Proposing a Clinical Decision Support System for Breast Cancer Diagnosis

مقدمه سرطان پستان از مهمترين عوامل مرگ و مير زنان است. بنابراين دقت و سرعت تشخيص بيماري در تعيين روال درمان، بسيار حياتي است؛ در اين راستا براي يكسان‌سازي گزارش‌هاي ماموگرافي از پايگاه‌داده BI-RADS استفاده شده است. با اين وجود تفاوت نظر پزشكان در مورد مقادير BI-RADS زياد است. هدف اين ‌مقاله تشخيص BI-RADS با پردازش زبان‌طبيعي و اطلاعات باليني حاصل از سوابق بيمار، و تركيب آن‌ها براي تشخيص زيرگروه‌هاي‌مولكولي و كمك به روند پيگيري درمان مي باشد. موارد و روش‌ها: در اين مطالعه از 1200 گزارش پزشكي و اطلاعات بيمارستاني مركز آموزشي درماني نمازي بين سال‌هاي 1396-1394 استفاده شد. با پردازش گزارش‌ها، 160 ويژگي متناسب با آنها ايجاد و با مراجعه به ساير اطلاعات بيمارستاني افراد، 18 ويژگي استخراج شد. از مجموعه بردارها با 178 ويژگي، مقادير BI-RADS با استفاده از SVM و زيرگروه‌هاي‌مولكولي توسط بيزين‌ساده پيش‌بيني گرديد و مورد ارزيابي قرار مي گيرد. نتايج براي ارزيابي نتايج، مقادير دقت، ارزش اخباري‌مثبت، ارزش اخباري‌منفي، حساسيت و خاصيت، براي تشخيص BI-RADS و زيرگروه‌هاي‌مولكولي محاسبه شدند. ميزان دقت براي تشخيص BI-RADS، %85.42 و براي تشخيص زيرگروه‌هاي‌مولكولي72.31% بدست آمد. براي اعتبارسنجي روش‌پيشنهادي، درمجموع360 فرد مراجعه‌كننده به‌همان مركز ازنظر تشخيص اوليه ارزيابي شدند، كه نتايج دقت معادل90.61% را نشان داد. نتيجه‌گيري: در فرآيند پيگيري درماني، پردازش گزارش پزشكي به‌تنهايي نمي‌تواند در تشخيص بيماري و روال درمان مفيد باشد زيرا گزارش‌ها متاثر از نظرات مختلف پزشكان، مي‌توانند متفاوت باشند. لذا استفاده از ارزش‌هاي نهفته در ساير مستندات پزشكي جهت ياري پزشك در اخذ تصميمات دقيقتر، بسيار ضروري است. كليدواژگان:

Introduction Breast cancer is one of the leading causes of death in women. Therefore, the accuracy and speed of diagnosis are crucial in the treatment procedure. In this regard, the BI-RADS classification system has been used for the standardization of mammography reports. However, there is much disagreement among physicians about the BI-RADS values. The aim of this paper is to diagnose BI-RADS by natural language processing of mammography reports and clinical information from the electronic health records and combining them to identify molecular subtypes and help patient follow-up. Methods In this study, 1200 mammography reports and electronic health records obtained from Namazi Educational and Medical Center for years between 2015-2017. After text processing, the vector with 160 features was obtained, then 18 features were extracted by referring to the electronic health records. Finally, 178 features were used by SVM and naïve Bayesian to predict BI-RADS and molecular subtypes, respectively. Results The values of Accuracy, Positive Prediction Value, Negative Prediction Value, Sensitivity, and Specificity were calculated to evaluate the results. Accuracy was 85.42% for BI-RADS and 72.31% for molecular subtypes. Conclusion The proposed decision support system was an appropriate model to help the physician to diagnose breast cancer and categorize patients. It was also found that the combined information, including electronic medical records of patients and designated molecular subtypes along with mammography reports, can be useful in diagnosing the disease and defining the treatment follow-up