بررسی ارزش تشخیصی ترکیبی کرایتریاهای سونوگرافی B-mode و الاستوگرافی ندول های تیروییدی در پیش بینی بدخیمی از خوش خیمی ندول های تیرویید با استفاده از هوش مصنوعی
[پایان نامه]
زهرا گوهری
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
۱۴۰۱
۴۲ص.
دکتری تخصصی
رادیولوژی
۱۴۰۱/۰۹/۳۰
۱۸
مقدمه: امروزه استفاده از هوش مصنوعی در پزشکی و در تحلیل تصاویر رادیولوژی روز به روز در حال افزایش است .سونوگرافی gray scale و الاستوگرافی در تشخیص ندول های تیروییدی مفید هستند اما دقت آنها تا حدود زیادی به تجربه رادیولوژیست بستگی دارد .لذا برآن شدیم در این مطالعه یک مدل تشخیصی در تشخیص بدخیمی گره های تیرویید با استفاده از هوش مصنوعی طراحی کنیم.روش کار: این مطالعه آینده نگر تعداد 181 ندول تیروییدی وارد مطالعه شده و تحت سونوگرافی و الاستوگرافی قرار گرفته و در مرحله بعد از ندول ها تحت گاید سونگرافی FNA به عمل آمد .نتایج پاتولوژی بیماران پیگیری شده و در نهایت متغیرها از جمله یافته های سونوگرافی gray scale و الاستوگرافی به عنوان لایه ورودی و نتایج پاتولوژی به عنوان لایه خروجی برای طراحی مدل مناسب هوش مصنوعی به کار برده شد . و در نهایت صحت ، حساسیت ،اختصاصیت،ارزش اخباری مثبت و ارزش اخباری منفی بین مدل های مختلف طراحی شده مقایسه شدیافته ها : از مجموع 181 ندول، 56 ندول بد خیم بودند حساسیت ، ویژگی ، ارزش اخباری مثبت ،ارزش اخباری منفی و صحت بر اساس معیار های TIRADS و ATAبه ترتیب برابر با 66.2 در صد ، 84.5 درصد ، 70.5 درصد ، 81.7 درصد و 77.9 درصد، و با .Q box ratio برابر و مساوی با 1.2 به عنوان cut off به ترتیب برابر با 75.4در صد ، 73.7درصد ، 62 درصد ، 84 درصد و 74.3 در صد می باشد. بر اساس یکی از مدل طراحی شده میزان حساسیت ، ویژگی ، ارزش اخباری مثبت ،ارزش اخباری منفی و صحت به ترتیب برابر با 89 درصد ، 94 در صد ،98 درصد،94.2 درصد و 95 در صد محاسبه گردید که بالاترین صحت ،حساسیت ،ویژگی ارزش اخباری مثبت ،ارزش اخباری منفی را در بین تمامی موارد داشت .نتایج: استفاده از هوش مصنوعی بر اساس gray scale و الاستوگرافی در تشخیص ندول های بدخیم یا خوش خیم تیرویید دارای ارزش تشخیصی بالایی است . هوش مصنوعی عملکرد تشخیصی بهتری از سونوگرافی gray scale و الاستوگرافی دارد و می تواند عملکرد تشخیصی رادیولوژیست ها را بهبود ببخشد .