دوره 81، شماره 5 - ( مرداد 1402 )
جلد 81 شماره 5 صفحات 348-339 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Alimiri Dehbaghi H, Khoshgard K, Sharini H, Jafari Khairabadi S, Naleini F. Diagnosis of pneumothorax using machine learning algorithms and radiomics: Investigating the possibility of replacing simple chest radiography instead of CT scan in order to reduce the radiation dose. Tehran Univ Med J 2023; 81 (5) :339-348
URL: http://tumj.tums.ac.ir/article-1-12588-fa.html
URL: http://tumj.tums.ac.ir/article-1-12588-fa.html
علی‌میری ده‌باغی هانیه، خوش‌گرد کریم، شرینی حمید، جعفری خیرآبادی سمیرا، نعلینی فرهاد. تشخیص پنوموتوراکس با استفاده از الگوریتم‌های یادگیری ماشین و رادیومیکس: بررسی امکان جایگزینی رادیوگرافی ساده قفسه سینه به‌جای سی‌تی‌اسکن به‌منظور کاهش دوز پرتویی. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1402; 81 (5) :339-348
1- گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
2- گروه مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
3- کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
4- گروه رادیولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
2- گروه مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
3- کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
4- گروه رادیولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
چکیده: (543 مشاهده)
زمینه و هدف: استفاده از الگوریتم‌های هوش مصنوعی برای کمک به تشخیص صحیح در تصاویر پزشکی یکی از مهم‌ترین کاربردهای این فناوری در حوزه تصویربرداری است. در این پژوهش امکان جایگزینی رادیوگرافی ساده قفسه سینه به‌منظور تشخیص پنوموتوراکس در مواردی که به‌طور معمول CT درخواست می‌گردد، با هدف کاهش دوز دریافتی بیماران، موردمطالعه قرار گرفت.
روش بررسی: مطالعه حاضر یک مطالعه تحلیلی بوده و در بازه زمانی آذر 1401 تا خرداد 1402 در دانشگاه علوم پزشکی کرمانشاه انجام شده است. داده‌های مورداستفاده در این تحقیق از پرونده‌های 350 فرد مشکوک به پنوموتوراکس استخراج شده است. تصاویر جمع‌آوری شده در نرم‌افزار MATLAB تحت پیش‌پردازش قرار گرفتند. سپس سه الگوریتم یادگیری ماشین، شامل رگرسیون لجستیک شبکه الاستیک (LENR)، رگرسیون لجستیک لاسو (LLR) و بوستینگ تطبیقی (AdaBoost) روی داده‌ها به‌کار گرفته شد. برای ارزیابی عملکرد این مدل‌ها از معیارهای دقت، صحت، حساسیت، ویژگی، سطح زیر منحنی مشخصه عملکرد سیستم، امتیاز F1 و طبقه‌بندی نادرست استفاده شد.
یافته‌ها: در مدل AdaBoost مقدار دقت در تصاویر رادیوگرافی و CT به‌ترتیب 99/17% و /98/27% محاسبه شد. مقدار AUC برای همین مدل در تصاویر رادیوگرافی برابر 100% و در تصاویر سی‌تی‌اسکن برابر 96/96% به‌دست آمد.
نتیجه‌گیری: باتوجه‌به معیارهای موردارزیابی در مطالعه، دو مدل LLR و AdaBoost دارای عملکرد مشابهی در تصاویر رادیوگرافی و CT از نظر تشخیص افراد با و بدون‌پنوموتوراکس هستند، به‌گونه‌ای که می‌توان این عارضه را با دقت بالایی با استفاده از تکنیک‌های یادگیری ماشین در تصاویر رادیوگرافی نیز تشخیص داد و به‌این‌ترتیب از دریافت دوز پرتویی بالا ناشی از انجام CT در بیمار اجتناب نمود.
روش بررسی: مطالعه حاضر یک مطالعه تحلیلی بوده و در بازه زمانی آذر 1401 تا خرداد 1402 در دانشگاه علوم پزشکی کرمانشاه انجام شده است. داده‌های مورداستفاده در این تحقیق از پرونده‌های 350 فرد مشکوک به پنوموتوراکس استخراج شده است. تصاویر جمع‌آوری شده در نرم‌افزار MATLAB تحت پیش‌پردازش قرار گرفتند. سپس سه الگوریتم یادگیری ماشین، شامل رگرسیون لجستیک شبکه الاستیک (LENR)، رگرسیون لجستیک لاسو (LLR) و بوستینگ تطبیقی (AdaBoost) روی داده‌ها به‌کار گرفته شد. برای ارزیابی عملکرد این مدل‌ها از معیارهای دقت، صحت، حساسیت، ویژگی، سطح زیر منحنی مشخصه عملکرد سیستم، امتیاز F1 و طبقه‌بندی نادرست استفاده شد.
یافته‌ها: در مدل AdaBoost مقدار دقت در تصاویر رادیوگرافی و CT به‌ترتیب 99/17% و /98/27% محاسبه شد. مقدار AUC برای همین مدل در تصاویر رادیوگرافی برابر 100% و در تصاویر سی‌تی‌اسکن برابر 96/96% به‌دست آمد.
نتیجه‌گیری: باتوجه‌به معیارهای موردارزیابی در مطالعه، دو مدل LLR و AdaBoost دارای عملکرد مشابهی در تصاویر رادیوگرافی و CT از نظر تشخیص افراد با و بدون‌پنوموتوراکس هستند، به‌گونه‌ای که می‌توان این عارضه را با دقت بالایی با استفاده از تکنیک‌های یادگیری ماشین در تصاویر رادیوگرافی نیز تشخیص داد و به‌این‌ترتیب از دریافت دوز پرتویی بالا ناشی از انجام CT در بیمار اجتناب نمود.
نوع مطالعه: مقاله اصیل |
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
