تشخيص عود تومورهاي ريوي سلول غير كوچك با استفاده از ويژگي‌هاي تصويري و باليني

مقدمه: تخمين پاسخ به درمان هميشه يكي از كارهاي چالش‌برانگيز يك انكولوژيست است. با توجه به تأثير بسزاي عود كردن تومور در برنامه درماني بيماران مبتلا به سرطان ريه، يافتن روشي جهت پيش‌بيني و تشخيص عود اين تومورها قبل از شروع درمان داراي اهميت فراوان است. اين امر امروزه به صورت تجربي انجام شده و دقت آن بسيار وابسته به تبحر و تجربه پزشك است. لذا هدف از اين مطالعه ارائه روشي خودكار جهت تشخيص عود كردن سرطان ريه مبتني بر ويژگي‌هاي تصويري و باليني است. روش: داده‌هاي مورد استفاده در اين مطالعه از پرتال TCIA جمع‌آوري‌شده است. پس از پيش‌پردازش تصاوير، ناحيه بندي به روش اتسو و در مرحله بعد توسط مدل‌هاي از پيش آموزش ديده AlexNet و GoogleNet ويژگي‌هاي راديوميك استخراج و در كنار ويژگي‌هاي باليني جهت تشخيص عود كردن ضايعه مورد استفاده قرار گرفت. در نهايت توسط برخي روش‌هاي يادگيري ماشين به طبقه‌بندي پرداخته شد. نتايج: روش پيشنهادي ما در 162 بيمار مبتلا به سرطان ريه سلول غير كوچك (NSCLC) با استفاده از پايگاه داده راديوژنوميك NSCLC در پورتال (The Cancer Imaging Archive) TCIAمورد ارزيابي قرار گرفت. پس از پيش‌پردازش تصاوير، ناحيه بندي به روش اتسو و در مرحله بعد توسط مدل‌هاي از پيش آموزش ديده AlexNet و GoogleNet ويژگي‌هاي راديوميك استخراج و در كنار ويژگي‌هاي باليني جهت تشخيص عود كردن ضايعه مورد استفاده قرار گرفت. در نهايت توسط برخي روش‌هاي يادگيري ماشين به طبقه‌بندي پرداخته شد. نتيجه‌گيري: يافته‌ اصلي اين مطالعه آشكار شدن قابليت روش‌هاي يادگيري عميق در استخراج ويژگي از تصاوير پزشكي اشاره كرد. به عنوان مثال در اين مطالعه شبكه AlexNet قادر به استخراج ويژگي‌هايي از تصوير CT بيماران مبتلا به تومور ريوي بود كه در تشخيص عود مجدد اين ضايعات بسيار كمك كننده است.