شبيه سازي يك مدل تركيبي به كمك الگوريتم ژنتيك و شبكه عصبي مصنوعي براي پيش بيني التهاب ريه در راديوتراپي پستان

A Genetic Algorithm and Neural Network Hybrid Model to Predict Lung Radiation-Induced Pneumonitis in Breast Radiotherapy (A simulation Study)

سابقه و هدف: سميت ريه مرتبط با راديوتراپي قفسه سينه، تقريبا در 15-5% بيماراني كه راديوتراپي قفسه سينه انجام مي دهند اتفاق مي افتد، براي حداقل رساندن آن لازم است تا ارتباط بين خطر التهاب ريه القا تابشي و پارامتر هاي درمان همانند فاكتور دزيمتري، فاكتورهاي بيولوژيكي، و آزمايشهاي عملكردي ريه درك شود. از اين رو، شبكه عصبي مصنوعي فيد-فوروارد همراه با الگوريتم ژنتيك براي پيش بيني وقوع التهاب ريه با درجه بالاتر 1 بررسي شد. مواد و روشها: در اين مطالعه آماري و شبيه سازي، يك شبكه عصبي غير خطي همراه با الگوريتم ژنتيك براي پيش بيني التهاب ريه ناشي از درمان راديوتراپي خارجي پستان توسعه داده شد. شبكه عصبي شامل يك لايه ورودي، يك لايه مياني با هفت گره و لايه خروجي با يك گره مي باشد. اطلاعات ورودي شبكه عصبي شامل 65 متغير وابسته به دز بدست آمده از طراحي درمان و 8 متغير مستقل از دز همانند شيمي درماني، سن بيمار، وجود و يا عدم وجود جراحي، مكان تومور در سمت راست و يا چپ، تعداد ميدانهاي تابش، درجه تومور، و فاكتورهاي هورموني مي باشد. اين اطلاعات از 66 بيماري كه به علت سرطان پستان با راديوتراپي خارجي درمان مي شدند، بدست آمده است. 18 بيمار التهاب ريه بالاتر از 1 داشتند. براي استخراج موثرترين تركيب ورودي ها از روش الگوريتم ژنتيك استفاده شد. اهميت هر تركيب ورودي با الگوريتم ژنتيك با گره هاي مياني مختلف ارزيابي شد. براي ارزيابي كارآيي شبكه عصبي كامل و تركيبي با الگوريتم ژنتيك از ميزان دقت، حساسيت و ويژگي تشخيصي و منحني هاي ROC استفاده شده است. يافته ها: براي شبكه بهينه شده تركيبي با قالب هاي ورودي كه از متغير هاي وابسته و مستقل از دز ساخته شده است، ناحيه زير منحني مشخصات عملكردي دريافت كننده (ROC) براي آزمايش متعامد براي مدل هاي كامل و تركيبي به ترتيب 84% و 91% مي باشد. حساسيت، ويژگي و دقت 66%، 90% و 79% براي مدل كامل و 70%، 96% و 88% براي مدل تركيبي مي باشند. نتيجه گيري: شبكه عصبي مصنوعي نشان داده شده است كه براي آموزش رابطه پيچيده بين پارامتر هاي درمان و خروجي كه اگر بيشتر توسعه داده شود، مي تواند بك وسيله سودمندي در پيش بيني خروجي هاي بيولوژيكي بكار گرفته شود. الگوريتم ژنتيك روش سريع و قابل اطميناني براي انتخاب فاكتورهاي مهم در تحليل مطالعات كلينيكي بزرگ مي باشد. همانطور كه از نتايج مشخص مي باشد، مدل تركيبي شبكه عصبي همراه با الگوريتم ژنتيك روش كاراتري نسبت به مدل كامل شبكه عصبي در پيش بيني التهاب ريه مي باشد.

BACKGROUND AND OBJECTIVE: To minimize lung toxicity associated with radiotherapy, occurring in approximately 5-15% of patients the understanding of the correlation between the risk of radiation-induced pneumonitis and treatment parameters is essential. A feed-forward artificial neural network along with a genetic algorithm was investigated to predict the occurrence of lung radiation-induced upper grade 1 pneumonitis. METHODS: A nonlinear neural network along with a genetic algorithm was developed. Inputs for the neural network (features) were selected from 65 dose variables extracted from treatment plan and 8 non-dose variables like; chemotherapy schedule, age, surgery (yes or no), tumor location, tumor stage, radiation fields, and hormone factors. Of these patients, 18 were diagnosed with grade 1 or higher lung pneumonitis. In this work, this study was based on data from 66 patients with breast cancer treated with external beam radiotherapy. The accuracy, specificity, sensitivity and receiver operator characteristic (ROC) curves were evaluated. FINDINGS: The area under the receiver operating characteristics (ROC) curve for cross-validated testing was 84% and 91% for the ANN and the hybrid model, respectively. Sensitivity, specificity and accuracy were 66%, 90% and 79% for ANN and 70%, 96% and 88% for the hybrid model. CONCLUSION: ANNs may prove to be a useful tool in predicting biological outcomes. The combined model of neural network and genetic algorithm is an efficient method for predicting radiation pneumonitis with respect to the neural network model. KEY WORDS: Radiotherapy, Genetic algorithm, Artificial neural network, Radiation pneumonitis.