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

شماره

۹۹۰۴۴پ

زبان متن نوشتاري يا گفتاري و مانند آن

فارسی

عنوان اصلي

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

نام عام مواد

[پایان نامه]

نام نخستين پديدآور

سمیرا عباسپور

نام ناشر، پخش کننده و غيره

دانشگاه علوم پزشکی تهران، دانشکده پزشکی

تاریخ نشرو بخش و غیره

۱۴۰۱

نام خاص و کميت اثر

۱۶۰ص.

جزئيات پايان نامه و نوع درجه آن

دکتری تخصصی (PHD)

نظم درجات

فیزیک پزشکی

زمان اعطا مدرک

۱۴۰۱/۱۲/۲۲

امتياز متن

۱۹.۵۵

متن يادداشت

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.

عنصر شناسه ای

روده راست

عنصر شناسه ای

Rectum

عنصر شناسه ای

سرطان

عنصر شناسه ای

Cancer

تقسیم فرعی موضوعی

-- سرطان

تقسیم فرعی موضوعی

-- cancer

داده رابط بین فیلدها

a09

داده رابط بین فیلدها

a09

داده رابط بین فیلدها

a12

داده رابط بین فیلدها

a12

موضوع مستند نشده

سرطان رکتوم

موضوع مستند نشده

کمو-رادیوتراپی

موضوع مستند نشده

پاسخ به درمان

موضوع مستند نشده

ویژگی‌های رادیومیکس

موضوع مستند نشده

یادگیری ماشین

موضوع مستند نشده

احتمال پاسخ تومور با حداقل عارضه در بافت سالم

موضوع مستند نشده

احتمال کنترل تومور بدون عارضه

موضوع مستند نشده

UTCP

موضوع مستند نشده

التهاب رکتوم و مثانه

موضوع مستند نشده

سونوگرافی اندورکتال

موضوع مستند نشده

EUS

موضوع مستند نشده

توموگرافی کامپیوتری CT

موضوع مستند نشده

تصویربرداری تشدید مغناطیسی

موضوع مستند نشده

MRI

موضوع مستند نشده

LARC سرطان رکتوم پیشرفته

موضوع مستند نشده

NCRT کمو-رادیوتراپی نئوادجوانت

موضوع مستند نشده

فیلتر موجک the wavelet filter

موضوع مستند نشده

انتخاب ویژگی Anova

موضوع مستند نشده

انتخاب ویژگی MRMR

موضوع مستند نشده

Rectal cancer

موضوع مستند نشده

Chemo-radiotherapy

موضوع مستند نشده

Treatment Response

موضوع مستند نشده

Radiomics features

موضوع مستند نشده

Machine learning

موضوع مستند نشده

Uncomplicated tumour control probability (UTCP)

کد نقش

، پدیدآور

مستند نام اشخاص تاييد نشده

عباسپور، سمیرا

کد نقش

، استاد راهنما

کد نقش

، استاد راهنما

کد نقش

، استاد مشاور

کد نقش

، استاد مشاور

کد نقش

، استاد مشاور

مستند نام اشخاص تاييد نشده

آی، محمدرضا

مستند نام اشخاص تاييد نشده

مهدوی، ربیع

مستند نام اشخاص تاييد نشده

عرب علی بیگ، حسین

مستند نام اشخاص تاييد نشده

عبداللهی، حمید

مستند نام اشخاص تاييد نشده

برهمن، مائده

عنصر شناسه اي

دانشگاه علوم پزشکی تهران، دانشکده پزشکی

کشور

ایران

تاريخ عمليات

20230418

شماره بازیابی

۲۶۱۱۰ف

شماره فيلد فرمت مبدا

دانشگاه علوم پزشکی تهران، کتابخانه دانشکده پزشکی

فرمت انتشار

p

نوع ماده

TF

کد کاربرگه

92029

سطح دسترسي

a

تكميل شده

Y