تشخیص عود تومورهای ریوی سلول غیر کوچک با استفاده از ویژگی‌های تصویری و بالینی

مقدمه: تخمین پاسخ به درمان همیشه یکی از کارهای چالش‌برانگیز یک انکولوژیست است. با توجه به تاثیر 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. روش: داده‌های مورد استفاده در این مطالعه از پرتال tcia جمع‌آوری‌شده است. پس از پیش‌پردازش تصاویر، ناحیه بندی به روش اتسو و در مرحله بعد توسط مدل‌های از پیش آموزش دیده alexnet و googlenet 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. نتایج: روش پیشنهادی ما در 162 بیمار مبتلا به سرطان ریه سلول غیر کوچک (nsclc) با استفاده از پایگاه داده رادیوژنومیک nsclc در پورتال (the cancer imaging archive) tciaمورد ارزیابی قرار گرفت. پس از پیش‌پردازش تصاویر، ناحیه بندی به روش اتسو و در مرحله بعد توسط مدل‌های از پیش آموزش دیده alexnet و googlenet 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. نتیجه‌گیری: 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 alexnet قادر به استخراج ویژگی‌هایی از تصویر ct بیماران مبتلا به تومور ریوی بود که در تشخیص عود مجدد این ضایعات بسیار کمک کننده است.

Recurrence Detection of Non-small cell Lung Cancer (NSCLC) Tumors Using Imaging and Clinical Features

Introduction: 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.Method: Our proposed method was evaluated in 162 patients with nonsmall cell lung cancer (NSCLC) using the NSCLC radiogenomic database in the Cancer Imaging Archive (TCIA) portal. After preprocessing, segmentation was performed using the Otsu method. In the next step, the radiomic features were extracted using pretrained 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.Results: 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.Conclusion: 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.