کاربرد رادیومیکس در پرتو درمانی، چالش ‌های آن و چشم‌ اندازهای پیشِ‌رو

سابقه و هدف: درمان اختصاصی هر بیمار بر پایه داده ‌های بالینی‌‌اش، از دورنماهای پزشکی آینده است. بکارگیری روش ‌های داده ‌کاوی و یادگیری ماشین با علوم رایانه در استخراج ویژگی‌های کمّی تصویر برای بهبود فرآیند تشخیص، پیش ‌آگهی، پیش ‌بینی و پاسخ به درمان سرطان‌ها با واژه رادیومیکس شناخته می‌شود. در این مقاله به بررسی گردش ‌کار، یافته ‌های به دست آمده، چالش‌ های پیشِ‌رو و نقش رادیومیکس به سوی پزشکی دقیق و درمان شخصی، ‌پرداخته می‌شود. مواد و روش ها: در این مطالعه مروری، نمایه ‌های شناخته شده‌ isc، web of science، google scholar، scopus،pubmed  بدون کرانه زمانی و با واژه ‌های کلیدی رادیومیکس، پرتو درمانی، سرطان و تصویربرداری کمّی جستجو و نوشتار وابسته گردآوری گردید.یافته‌ها: رادیومیکس آمیزه‌ای از تشخیص روزمره به کمک رایانه، روش ‌های یادگیری ماشین، عمیق و مهارت ‌های انسانی است که می ‌توان آن را برای توصیف کمّی فنوتیپ‌ های توده ‌های سرطانی به کار برد. گردآوری و پیش‌ پردازش تصویر، قطعه‌ بندی توده، استخراج ویژگی ‌ها، پردازش و الگوسازی، چند گام بنیادی فرآیند رادیومیکس هستند. برش ‌نگاری رایانه‌ای (ct)، تصویربرداری تشدید مغناطیسی (mri) و برش ‌نگاری گسیل پوزیترون (pet) و روش ‌های فرا صوت (us)، تصویرهای به کارگیری شده می ‌باشند.نتیجه‌گیری: بر اساس نتایج این مطالعه پیش نیاز اجرای بالینیِ رادیومیکس از بین بردن نارسایی ‌هایی همانند، وابستگی ویژگی ‌ها به پارامترهای تصویربرداری، تکرار ناپذیری ویژگی ‌ها می باشد. بنابراین ‌بایستی روش فراگیری پایه ‌گذاری شود و الگو هایی پایدار و بازتولید شونده‌ای درست شوند تا رادیومیکس را به عنوان یک ابزار پیش ‌آگهی بالینی بپذیرند.

application of radiomics in radiotherapy: challenges and future prospects

background and objective: specific treatment for each patient based on their clinical data is one of the medical prospects of the future. using data mining and machine learning techniques based on computer science in extracting the quantitative features of an image to improve the process of diagnosis, prognosis, prediction and response to cancer treatment is known as radiomics. this article examines the workflow, findings, challenges ahead, and the role of radiomics in precision medicine and individual therapy.methods: in this review article, we searched wellknown indexes such as isc, web of science, google scholar, scopus, pubmed without time limit and based on the keywords radiomics, radiotherapy, cancer and quantitative imaging and relevant articles were collected.findings: radiomics is a combination of everyday computeraided diagnosis, machine learning methods, deep learning and human skills that can be used for quantitative description of the phenotypes of cancerous tumors. image collection and processing, tumor segmentation, extraction of features, processing and modeling are some of the basic steps of the process of radiomics. computed tomography (ct), magnetic resonance imaging (mri), positron emission tomography (pet) and ultrasound (us) methods are among the used images.conclusion: according to the results of this study, the prerequisite for the clinical implementation of radiomics is the elimination of deficiencies such as the dependence of the features on the imaging parameters, and the unrepeatability of the features. therefore, a comprehensive approach should be adopted, stable and reproducible patterns should be developed to accept radiomics as a clinical prognostic tool.