عنوان

ارائه روشی نوین مبتنی بر مدل سازی رادیومیکس به منظور پیش بینی احتمال پاسخ تومور رکتوم به کمو-رادیوتراپی با حداقل عارضه با استفاده از تصاویر اندوسونوگرافی/سی تی اسکن و ام آر آی

Number

۹۹۰۴۴پ

.Language of Text, Soundtrack etc

فارسی

Title Proper

ارائه روشی نوین مبتنی بر مدل سازی رادیومیکس به منظور پیش بینی احتمال پاسخ تومور رکتوم به کمو-رادیوتراپی با حداقل عارضه با استفاده از تصاویر اندوسونوگرافی/سی تی اسکن و ام آر آی

General Material Designation

[پایان نامه]

First Statement of Responsibility

سمیرا عباسپور

Name of Publisher, Distributor, etc.

دانشگاه علوم پزشکی تهران، دانشکده پزشکی

Date of Publication, Distribution, etc.

۱۴۰۱

Specific Material Designation and Extent of Item

۱۶۰ص.

Dissertation or thesis details and type of degree

دکتری تخصصی (PHD)

Discipline of degree

فیزیک پزشکی

Date of degree

۱۴۰۱/۱۲/۲۲

Text preceding or following the note

۱۹.۵۵

Text of Note

مقدمه: سرطان رکتوم یکی از علل شایع مرگ ناشی از سرطان است. بیومارکرهای جدید مبتنی بر رادیومیکس به پزشکان در تشخیص و درمان بهتر سرطان رکتوم کمک می کند. هدف مطالعه حاضر پیش‌بینی پاسخ کمو-رادیوتراپی، التهاب رکتوم و مثانه، و احتمال کنترل تومور بدون عارضه (UTCP) با استفاده از ویژگی های رادیومیکس سونوگرافی اندورکتال (EUS)، توموگرافی کامپیوتری (CT) و تشدید مغناطیسی (MRI) در ترکیب با ویژگی‌های بالینی و دزیمتری، بر اساس الگوریتم های مختلف انتخاب ویژگی‌ و یادگیری ماشین در بیماران مبتلا به سرطان رکتوم پیشرفته (LARC) بود. روش کار: تعداد 63 بیمار LARC که کمو-رادیوتراپی نئوادجوانت (NCRT) دریافت کرده بودند، وارد مطالعه شدند. برای کاهش نویز، تصاویر EUS توسط فیلترهای کلاسیک (دوطرفه، وینر، لی، فراست، میانه و فیلترهای موجک) پیش پردازش شدند. برای انتخاب ویژگی از Lasso، MRMR، Chi2، Anova، RFE و Selectpercentile استفاده شد. الگوریتم‌های یادگیری ماشین، از جمله تقویت گرادیان (XGB)، رگرسیون لجستیک (LR)، تحلیل تفکیک خطی (LDA)، نزدیک‌ترین همسایه K (KNN)، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF)، بیز ساده (NB) و درخت تصمیم (DT) با استفاده از اعتبارسنجی متقاطع پنج فولد طبقه بندی شده برای توسعه مدل آموزش داده شدند. ناحیه زیر منحنی (AUC) منحنی مشخصه عملکرد گیرنده (ROC) و به دنبال آن صحت، حساسیت، ویژگی، امتیاز F و دقت برای ارزیابی عملکرد مدل به ‌دست آورده شد.یافته ها: فیلتر موجک بهترین نتایج را با میانگین :AUC83، دقت: 41/77، صحت: 15/82، حساسیت: 41/79 درصد، برای حذف نویز تصاویر EUS داشت. معیارهای ارزیابی مدل LR برای ویژگی های ترکیبی EUS (رادیومیکس + بالینی + دزیمتریک) برای پیش بینی پاسخ رادیوتراپی با انتخاب ویژگی Anova در مقایسه با CT وMRI بالاتر بود (:AUC 79، صحت: 79، حساسیت: 84، ویژگی: 82، امتیازF: 70 و دقت: 73 درصد). برای پیش‌بینی التهاب رکتوم، مدل XGB ویژگی‌های رادیومیکس ترکیبی MRI بالاترین عملکرد را داشت (:AUC 92، صحت: 90، حساسیت: 88، ویژگی: 94، امتیازF: 90، و دقت: 93 درصد). مدل DT (:AUC 98، صحت: 98، حساسیت: 98، ویژگی: 98، امتیازF: 98 و دقت: 96 درصد)، بهترین عملکرد را برای تصاویر MR برای پیش بینی التهاب مثانه داشت. برای پیش‌بینیUTCP، مدل مبتنی بر ویژگی‌های ترکیبی CT با استفاده از روش انتخاب ویژگی MRMR و مدل LR با:AUC 80، صحت: 80، حساسیت: 84، ویژگی: 81، امتیازF: 70، و دقت: 75 درصد، بهترین مدل بود.نتیجه گیری: این مطالعه نشان داد که مدل‌های رادیومیکس مبتنی بر EUS می‌توانند به عنوان نشانگرهای زیستی قبل از درمان در پیش‌بینی پاسخ پاتولوژیکی سرطان رکتوم عمل کنند. علاوه بر این، ویژگی های رادیومیکس به دست آمده از تصاویر CT و MR قبل از درمان می تواند التهاب رکتوم و التهاب مثانه ناشی از رادیوتراپی را نشان دهند. قابل ذکر است، ویژگی های به دست آمده از CT عملکرد بهتری برای پیش بینی UTCP داشتند.

Entry Element

روده راست

Entry Element

Rectum

Entry Element

سرطان

Entry Element

Cancer

Topical Subdivision

-- سرطان

Topical Subdivision

-- cancer

a09

a09

a12

a12

سرطان رکتوم

کمو-رادیوتراپی

پاسخ به درمان

ویژگی‌های رادیومیکس

یادگیری ماشین

احتمال پاسخ تومور با حداقل عارضه در بافت سالم

احتمال کنترل تومور بدون عارضه

UTCP

التهاب رکتوم و مثانه

سونوگرافی اندورکتال

EUS

توموگرافی کامپیوتری CT

تصویربرداری تشدید مغناطیسی

MRI

LARC سرطان رکتوم پیشرفته

NCRT کمو-رادیوتراپی نئوادجوانت

فیلتر موجک the wavelet filter

انتخاب ویژگی Anova

انتخاب ویژگی MRMR

Rectal cancer

Chemo-radiotherapy

Treatment Response

Radiomics features

Machine learning

Uncomplicated tumour control probability (UTCP)

Relator Code

، پدیدآور

عباسپور، سمیرا

Relator Code

، استاد راهنما

Relator Code

، استاد راهنما

Relator Code

، استاد مشاور

Relator Code

، استاد مشاور

Relator Code

، استاد مشاور

آی، محمدرضا

مهدوی، ربیع

عرب علی بیگ، حسین

عبداللهی، حمید

برهمن، مائده

Entry Element

دانشگاه علوم پزشکی تهران، دانشکده پزشکی

Country

ایران

Date of Transaction

20230418

Call Number

۲۶۱۱۰ف

Tag of the Source Format Field

دانشگاه علوم پزشکی تهران، کتابخانه دانشکده پزشکی

p

TF

92029

a

Y