طراحي سيستم تصميم يار باليني مبتني بر شبكه ي عصبي مصنوعي به منظور كشف اوليه ي سرطان از بزرگي خو شخيم پروستات

Designing a Clinical Decision Support System Based on Artificial Neural Network for Early Detection of Prostate Cancer and Differentiation from Benign Prostatic Hyperplasia

مقدمه: در سال هاي اخير مفاهيم شبكه هاي عصبي مصنوعي در كشف اوليه و طبقه بندي بيمار يها متحمل پيشرفت هاي فراواني شده است. استفاده از شبك ههاي عصبي به دليل تواناي يهاي بالقوه ي آن دركاربردهاي پزشكي و در پيدا كردن كنش بين متغيرها، تشخيص و مدل سازي بيماري ها به طور وسيعي مقبول واقع شده است. هدف از اين پژوهش، طراحي و پياده سازي سيستم تصميم يار مبتني بر شبكه هاي عصبي مصنوعي به منظور كشف اوليه ي سرطان پروستات بود. روش بررسي: پژوهش حاضر از نوع كاربردي و جامعه ي هدف آن متشكل از 360 بيمار مبتلا به ناهنجار يهاي پروستات بودند كه در 1388 به بخش اورولوژي بيمارستان امام خميني (ره) شهر تهران مراجعه نمودند. در اين پژوهش به منظور ارزيابي - فواصل سال هاي 90 عملكرد سيستم طراحي شده، از شاخص هاي حساسيت، ويژگي و صحت در طبقه بندي استفاده گرديد. در طراحي هسته ي محاسباتي سيستم تصميم يار باليني در كشف اوليه ي سرطان پروستات از بزرگي خوش خيم آن، از الگوريتم شبكه ي عصبي گراديان توام مدرج استفاده شد. (Scaled conjugate gradient) يافته ها: شاخص هاي عملكردي اين سيستم، ويژگي و حساسيت بودند و عملكرد سيستم تصميم يار باليني پيشنهاد شده بر اساس اين 92 درصد بود. نتايج سيستم تصميم يار در تشخيص و طبق هبندي بيماري هاي نيوپلازي / 97 و 11 / شاخص ها به ترتيب عبارت از 06 پروستات، حاكي از پتانسيل بالاي سيست مهاي مبتني بر شبكه هاي عصبي به عنوان ابزاري قوي در طبقه بندي ناهنجاري هاي پروستات بود. نتيجه گيري: در اين پژوهش يك سيستم تصميم يار پزشكي با هدف ياري رساندن به متخصصين در تشخيص و طبق هبندي بيماري هاي نيوپلازي پروستات طراحي گرديد. سيستم هاي هوشمند پزشكي بر مبناي هوش مصنوعي و به خصوص شبكه هاي عصبي، مي توانند به پزشكان در تشخيص دقيق سرطان پروستات و بزرگي خوش خيم آن كمك نمايند. با استفاده از اين سيستم ها، بيوپسي هاي غير ضروري و هزينه هاي تشخيصي كاهش مي يابد. به علاوه، اين سيستم ها مي توانند در به حداقل رساندن زمان فرايندهاي تشخيصي بيماري ها موثر واقع شوند. واژه هاي كليدي: سيستم تصميم يار؛ سرطان پروستات؛ شبكه ي عصبي مصنوعي؛ حساسيت؛ ويژگي

Introduction: In recent years, the concepts of artificial neural networks (ANN) have extensively undergone remarkable development in early detection and classification of diseases such as benign prostatic hyperplasia (BPH). The usage of ANN has become widely accepted in medical applications owing to its potential capabilities for detecting the complex interactions among variables, diagnosis and diseases’ modeling. The present study aimed to design and implement a decision support system (DSS) based on ANN for early detection of prostate cancer. Methods: This survey design was conducted through data collection among 360 males with prostate abnormalities in Urology Department of Imam Khomeini Hospital, Tehran, Iran, from January 2008 to March 2011. In order to assess the performance and accuracy of the designed system, sensitivity, specificity and receiver-operating characteristics (ROC) curve were used as the indicators of distinguishing prostate cancers from BPH. In order to implement DSS in this study, scaled conjugate gradient (SCG) algorithm was used as the main algorithm for early detection of prostate cancer from benign prostate. Results: The proposed intelligent ANN-based system can be used as a strong diagnostic tool with 97.0% specificity and 92.1% sensitivity for detecting the prostate cancer and to differentiate it from BPH. The results indicated a high potential of artificial neural network as a strong tool in classification of prostatic neoplasia diseases. Conclusion: A medical decision support system was used aiming to help medical experts in their classification and early detection of prostatic neoplasia disorders in the present study. Such artificial intelligent-based medical intelligent systems, particularly for neural networks, can help physicians in accurate decision-making concerning prostate cancer and BPH. Using such systems, specialists would be able to eliminate or minimize unnecessary biopsy and reduce diagnostic costs. In addition, such systems can accelerate the diagnostic detection time. Keywords: Decision Support System; Prostatic Neoplasia; Artificial Neural Network; Sensitivity; Specificity