تشخيص پنوموتوراكس با استفاده از الگوريتم‌هاي يادگيري ماشين و راديوميكس: بررسي امكان جايگزيني راديوگرافي ساده قفسه سينه به‌جاي سي‌تي‌اسكن به‌منظور كاهش دوز پرتويي

زمينه و هدف: استفاده از الگوريتم‌هاي هوش مصنوعي براي كمك به تشخيص صحيح در تصاوير پزشكي يكي از مهم‌ترين كاربردهاي اين فناوري در حوزه تصويربرداري است. در اين پژوهش امكان جايگزيني راديوگرافي ساده قفسه سينه به‌منظور تشخيص پنوموتوراكس در مواردي كه به‌طور معمول CT درخواست مي‌گردد، با هدف كاهش دوز دريافتي بيماران، موردمطالعه قرار گرفت. روش بررسي: مطالعه حاضر يك مطالعه تحليلي بوده و در بازه زماني آذر 1401 تا خرداد 1402 در دانشگاه علوم پزشكي كرمانشاه انجام شده است. داده‌هاي مورداستفاده در اين تحقيق از پرونده‌هاي 350 فرد مشكوك به پنوموتوراكس استخراج شده است. تصاوير جمع‌آوري شده در نرم‌افزار MATLAB تحت پيش‌پردازش قرار گرفتند. سپس سه الگوريتم يادگيري ماشين، شامل رگرسيون لجستيك شبكه الاستيك (LENR)، رگرسيون لجستيك لاسو (LLR) و بوستينگ تطبيقي (AdaBoost) روي داده‌ها به‌كار گرفته شد. براي ارزيابي عملكرد اين مدل‌ها از معيارهاي دقت، صحت، حساسيت، ويژگي، سطح زير منحني مشخصه عملكرد سيستم، امتياز F1 و طبقه‌بندي نادرست استفاده شد. يافته‌ها: در مدل AdaBoost مقدار دقت در تصاوير راديوگرافي و CT به‌ترتيب 99/17% و /98/27% محاسبه شد. مقدار AUC براي همين مدل در تصاوير راديوگرافي برابر 100% و در تصاوير سي‌تي‌اسكن برابر 96/96% به‌دست آمد. نتيجه‌گيري: باتوجه‌به معيارهاي موردارزيابي در مطالعه، دو مدل LLR و AdaBoost داراي عملكرد مشابهي در تصاوير راديوگرافي و CT از نظر تشخيص افراد با و بدون‌پنوموتوراكس هستند، به‌گونه‌اي كه مي‌توان اين عارضه را با دقت بالايي با استفاده از تكنيك‌هاي يادگيري ماشين در تصاوير راديوگرافي نيز تشخيص داد و به‌اين‌ترتيب از دريافت دوز پرتويي بالا ناشي از انجام CT در بيمار اجتناب نمود.