به‌کار‌گیری روش‌های یادگیری ماشین جهت پیش‌بینی میزان زنده ماندن بیماران گلیوبلاستوما با استفاده از تصاویر تشدید مغناطیسی

مقدمه: در این مطالعه روشی جهت پیش‌‌بینی خودکار میزان طول عمر بیماران مبتلا به تومور مغزی گلیوبلاستوما مبتنی بر روش‌های یادگیری ماشین و تصاویر mri ارائه شده است. روش کار: مجموعه داده مورد استفاده در این مطالعه، پایگاه داده brats 2017 با 163 نمونه است. هر نمونه از تصاویر پایگاه داده دارای چهار مدالیته مختلف تصویرگیری و همچنین اطلاعاتی نظیر میزان طول عمر کلی بیمار بر حسب روز و سن بیمار است. تصاویر مجموعه داده بر اساس طول عمر بیمار پس از درمان به سه دسته: کوتاه‌مدت، میان‌مدت و بلند‌مدت برچسب‌گذاری شده است. برای بهبود نتایج پیش‌بینی، انواع مختلفی از ویژگی‌ها استخراج و توسط روش‌های مختلف یادگیری ماشین، آموزش داده شدند. ویژگی‌های در نظر گرفته شده شامل ویژگی‌های بافت، حجمی، آماری و ویژگی‌های عمیق است. روش‌های یادگیری ماشین مورد استفاده شامل ماشین بردار پشتیبان، نزدیک‌ترین همسایه، آنالیز افتراق خطی و درخت تصمیم است.یافته‌ها: بهترین صحت پیش‌بینی براساس طبقه‌‌بندی با استفاده از ویژگی‌های عمیق استخراج ‌شده توسط یک شبکه عصبی کانولوشنال از پیش آموزش ‌دیده و توسط روش آنالیز افتراق خطی به دست آمده است.نتیجه‌گیری: روش‌های یادگیری عمیق قابلیت بالایی در تخمین پارامترهای مهم پزشکی مانند میزان زنده ماندن افراد مبتلا به سرطان دارند.

application of machine learning methods to predict the survival rate of glioblastoma patients using mr images

introduction: in this study, a method for automatic prediction of the survival rate of patients with glioblastoma tumor based on machine learning methods and mri images is presented.method: the data set used in this study is the brats 2017 database with 163 samples. each sample of database images has four different imaging modalities as well as information such as the patient’s overall life expectancy according to the patient’s day and age. database images are labeled into three categories, short-term, medium-term, and long-term, based on patient longevity after treatment. to improve the prediction results, different types of features were extracted and taught by different machine learning methods. the considered features include texture, volumetric, statistical, and deep features. the machine learning methods used include support vector machine, nearest neighbors, linear discriminant analysis, and decision tree.results: the best prediction accuracy based on the classification was obtained using deep features extracted by a pre-trained convolutional neural network (cnn) and by linear discriminant analysis.conclusion: deep learning approaches showed a good performance in the prediction of medical parameters such as survival rate time.