پیش بینی اشعه دریافتی قلب و ریه در بیماران سرطان پستان تحت پرتودرمانی با استفاده از یادگیری ماشین نظارت شده

مقدمه: قلب و ریه از جمله ارگان های در معرض خطر دریافت اشعه اضافی در طول پرتودرمانی بیماران مبتلا به سرطان پستان هستند. در سال های اخیر هوش مصنوعی و یادگیری ماشین در علم پزشکی تحولات زیادی به وجود آورده است؛ هدف از این مطالعه پیش بینی اشعه دریافتی قلب و ریه با درنظر گرفتن ویژگی های آناتومیکی برای بیماران سرطان پستان تحت پرتودرمانی با استفاده از یادگیری ماشین است.روش بررسی: این مطالعه کاربردی از طریق بررسی پرونده های پزشکی در سال 1402 و با استخراج ویژگی های آناتومیکی موجود در ct-scan قفسه سینه 210 بیمار زن مبتلا به سرطان پستان چپ بعد از عمل جراحی لامپکتومی انجام شد. اطلاعات بیماران از سیستم ذخیره و انتقال تصاویر (pacs) استخراج شد و برای پیش بینی اشعه دریافتی قلب و ریه از الگوریتم های دسته بندی چند برچسبه استفاده شد. همچنین برای ارزیابی عملکرد الگوریتم ها ازaccuracy , precision , recall   f1-score,  hamming loss, استفاده شد.یافته ها: با توجه به نتایج ارزیابی عملکرد 7 الگوریتم دسته بندی چند برچسبه و با درنظر گرفتن 16 متغیر آناتومیکی تاثیرگذار بر میزان اشعه دریافتی قلب و ریه، الگوریتم جنگل تصادفی (rf) با صحت 9/ 41%، دقت 3/ 73%، پوشش 6/ 70%، امتیازf1  3/ 71% و زیان همینگ 4/ 27% بهترین عملکرد را بین سایر الگوریتم ها داشته است.نتیجه گیری: با استفاده از الگوریتم های یادگیری ماشین و با در نظرگرفتن ویژگی های آناتومیکی می توان بیماران مناسب برای پرتودرمانی3d wedge pair  را شناسایی کرده و برای سایر بیماران که در خطر دریافت دوز بالای اشعه قلب و ریه هستند تکنیک های پیشرفته تر مانندimrt  (پرتودرمانی با شدت مدوله شده) یا dibh (پرتودرمانی با تکنیک کنترل تنفس) و .... را پیشنهاد داد.

prediction of received heart and lung radiation dose in breast cancer patients undergoing radiation therapy using supervised machine learning

introduction: the heart and lungs are among the organs at risk of receiving additional radiation during radiation therapy of breast cancer patients. in recent years, artificial intelligence and machine learning have brought about significant advancements in the field of medicine. this study aimed to predict the radiation dose received by the heart and lungs in breast cancer patients undergoing radiotherapy, taking into account the anatomical characteristics of these organs through the application of machine learning techniques.methods: this applied study was conducted by reviewing medical records in 2023 and extracting anatomical features present in chest computed tomography scans of 210 female patients with left breast cancer who had undergone lumpectomy surgery. patient data were extracted from the picture archiving and communication syste, and multi-label classification algorithms were employed to predict the radiation dose received by the heart and lungs. the performance of the algorithms was further evaluated using metrics such as accuracy, precision, recall, f1-score, and hamming loss.results: based on the performance evaluation results of 7 multi-label classification algorithms and considering 16 anatomical variables influencing the amount of radiation received by the heart and lungs, the random forest (rf) algorithm achieved the best performance among other algorithms with an accuracy of 41.9%, precision of 73.3%, recall of 70.6%, f1 score of 73.1%, and hamming loss of 27.4%.conclusion: the use of machine learning algorithms and considering anatomical features make it possible to identify suitable patients for 3d wedge pair radiotherapy. more advanced techniques, such as intensity-modulated radiation therapy or deep inspiration breath hold, can be recommended for other patients at risk of receiving high doses of radiation to the heart and lungs.