fa تشخیص عود تومورهای ریوی سلول غیر کوچک با استفاده از ویژگی‌های تصویری و بالینی هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="line-height:2;"><span style="color:#000000;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA">مقدمه:</span></b><span lang="FA"> تخمین پاسخ به درمان همیشه یکی از کارهای چالش‌برانگیز یک انکولوژیست است. با توجه به تأثیر بسزای عود کردن تومور در برنامه درمانی بیماران مبتلا به سرطان ریه، یافتن روشی جهت پیش‌بینی و تشخیص عود این تومورها قبل از شروع درمان دارای اهمیت فراوان است. این امر امروزه به صورت تجربی انجام شده و دقت آن بسیار وابسته به تبحر و تجربه پزشک است. لذا هدف از این مطالعه ارائه روشی خودکار جهت تشخیص عود کردن سرطان ریه مبتنی بر ویژگی‌های تصویری و بالینی است.</span></span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA">روش:</span></b><span lang="FA"> داده‌های مورد استفاده در این مطالعه از پرتال </span><span dir="LTR">TCIA</span> <span lang="FA">جمع‌آوری‌شده است. پس از پیش</span><span lang="FA">‌</span><span lang="FA">پردازش تصاویر، ناحیه بندی به روش اتسو و در مرحله بعد توسط مدل</span><span lang="FA">‌</span><span lang="FA">های از پیش آموزش دیده </span><span dir="LTR">AlexNet</span> <span lang="FA">و </span><span dir="LTR">GoogleNet</span><span lang="FA"> ویژگی‌های رادیومیک استخراج و در کنار ویژگی‌های بالینی جهت تشخیص عود کردن ضایعه مورد استفاده قرار گرفت. در نهایت توسط برخی روش‌های یادگیری ماشین به طبقه‌بندی پرداخته شد.</span><span lang="FA" style="font-family:"B Mitra""></span></span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA">نتایج:</span></b> <span lang="FA">روش پیشنهادی ما در 162 بیمار مبتلا به سرطان ریه سلول غیر کوچک (</span>NSCLC<span lang="FA">) با استفاده از پایگاه داده رادیوژنومیک </span><span dir="LTR">NSCLC</span> <span lang="FA">در پورتال (</span><span dir="LTR">The Cancer Imaging Archive</span><span lang="FA">)</span> <span dir="LTR">TCIA</span><span lang="FA">مورد ارزیابی قرار گرفت. پس از پیش‌پردازش تصاویر، ناحیه بندی به روش اتسو و در مرحله بعد توسط مدل‌های از پیش آموزش دیده </span><span dir="LTR">AlexNet</span> <span lang="FA">و </span><span dir="LTR">GoogleNet</span> <span lang="FA">ویژگی‌های رادیومیک استخراج و در کنار ویژگی‌های بالینی جهت تشخیص عود کردن ضایعه مورد استفاده قرار گرفت. در نهایت توسط برخی روش‌های یادگیری ماشین به طبقه‌بندی پرداخته شد.</span></span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">نتیجه‌گیری:</span></b><span lang="AR-SA"> یافته‌ اصلی این مطالعه آشکار شدن قابلیت روش‌های یادگیری عمیق در استخراج ویژگی از تصاویر پزشکی اشاره کرد. به عنوان مثال در این مطالعه شبکه </span><span dir="LTR">AlexNet</span> <span lang="AR-SA">قادر به استخراج ویژگی‌هایی از تصویر </span><span dir="LTR">CT</span> <span lang="AR-SA">بیماران مبتلا به تومور ریوی بود که در تشخیص عود مجدد این ضایعات بسیار کمک کننده است.</span></span></span></span></span></span><br> &nbsp;</span></div> <div style="text-align: justify;"><span style="line-height:2;"><span style="font-family:Tahoma;"><span style="font-size:12px;"><span style="color:#000000;"><span style="unicode-bidi:embed"><b>Introduction:</b> <span lang="EN">Evaluation of treatment response is one of the most challenging tasks in the treatment planning of cancer cases. Regarding the significant effect of tumor recurrence in the treatment planning of patients with lung cancer, finding an approach to predict the recurrence of these tumors is of great importance. Nowadays, this process is done experimentally, and its accuracy depends on the experience and proficiency of the oncologist. This study aimed to provide an automated method to detect the recurrence of lung cancer based on imaging and clinical features.</span></span><br> <span style="unicode-bidi:embed"><b>Method:</b> Our proposed method was evaluated in 162 patients with non-small cell lung cancer (NSCLC) using the NSCLC radiogenomic database in the Cancer Imaging Archive (TCIA) portal. After pre-processing, segmentation was performed using the Otsu method. In the next step, the radiomic features were extracted using pre-trained AlexNet and GoogleNet models, and along with clinical features, they were used to detect lesion recurrence. Finally, all cases were classified into two classes using machine learning methods.</span><br> <span style="unicode-bidi:embed"><b>Results:</b> <span lang="EN">The proposed method used clinical and deep features. The classification was done using various models, and the accuracy of the support vector machine by AlexNet features resulted in the highest performance. The mean values of accuracy, sensitivity, and specificity for this model are 99.76, 99.77, and 99.76%, respectively.</span></span><br> <span style="unicode-bidi:embed"><b>Conclusion: </b><span lang="EN">The main finding of this study was revealing the capability of deep learning methods in extracting features from medical images. For example, the AlexNet was able to extract features from CT images of NSCLC patients, which are very helpful in the recurrence prediction of these lesions.</span></span></span></span></span></span></div> ‌سرطان ریه سلول غیر کوچک, پردازش تصویر, ‌یادگیری ماشین, یادگیری عمیق, ویژگی‌های رادیومیک Non-small cell Lung Cancer, Image Processing, Machine Learning, Deep Learning, Radiomics Features 40 49 http://jhbmi.ir/browse.php?a_code=A-10-903-1&slc_lang=fa&sid=1 Mahdi Yousefi مهدی یوسفی mahdiyousefii2020@gmail.com 10031947532846009719 10031947532846009719 No Department of Biomedical Engineering, Dezful Branch, Islamic Azad University, Dezful, Iran گروه مهندسی پزشکی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران Mohammadreza Hedyehzadeh محمدرضا هدیه زاده mrhedyehzadeh@iaud.ac.ir 10031947532846009720 10031947532846009720 Yes Department of Biomedical Engineering, Dezful Branch, Islamic Azad University, Dezful, Iran گروه مهندسی پزشکی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران