بخشی از مقاله
چکیده:
لوسمی - لوکمیا - یکی از شایعترین سرطانها در کودکان است، شامل بیش از یک سوم تمام سرطانهای دوران کودکی. بیماران تازه مبتلا شده در ایالات متحده آمریکا، حدود 10100 مورد تخمین زده شدهاند، و اگر این موارد دیر تشخیص داده شوند یا درمان مناسب اعمال نشود، میتواند کشنده باشد. از آنجا که تشخیص سریع و مناسب لوسمی بر اساس یافتههای بالینی و یا دارویی - بدون بافت برداری - غیر ممکن است، تصمیم گرفتیم برای تشخیص فوری لوسمی شبکههای عصبی مصنوعی را به کار ببریم.
برای این هدف پارامترهای بالینی و پزشکی گرفته شده از 131 بیمار در بیمارستان سینا همدان استفاده کردهایم. ما با نرمافزار SPSS برای 38 پارامتر، نمونه آزمون T مستقل را انجام دادیم. با توجه به نتایج این آنالیز، 8 پارامتر را که کمترین sig را برای آنالیز شبکههای عصبی مصنوعی داشتند - از بین پارامترهایی که sig آنها کمتر از 0/05 بود - انتخاب کردیم. پارامترهای انتخاب شده از 131 بیمار برای آموزش شبکه به وسیله الگوریتم یادگیری لونبرگ-مارکارد اعمال شدند، با نرخ یادگیری .0/1 کارایی یادگیری 0/094 بود. ارتباط بین خروجی شبکه آموزش دیده برای دادههای آزمون و نتایج واقعی دادههای آزمون بالا بود و ناحیه زیر منحنی 0/967 ROC بود. با این نتایج میتوانیم استنتاج کنیم که روند آموزش دقیق و با موفقیت صورت گرفته است. از این رو میتوانیم از شبکههای عصبی مصنوعی برای تشخیص سریع و قابل اعتماد لوسمی استفاده کنیم.
مقدمه
لوسمی، اصطلاح کلی برای چهار نوع مختلف سرطان خون میباشد که هر کدام در یک نوع سلول در مغز استخوان شروع میشود. سرعت پیشرفت لوسمی، طریقهای که سلولهای لوسمی جایگزین خون طبیعی و سلولهای مغز استخوان میشوند، و درمان مورد نیاز برای هر نوع لوسمی متفاوت است. لوسمی مزمن معمولاً به آرامی پیشرفت میکند، و هر ساله در مقایسه با لوسمی حاد موارد بیشتری گزارش میشود.[1,2]
چهار نوع اصلی لوسمی عبارتاند از: لوسمی حاد لنفاوی - ALL - ، لوسمی حاد مغز استخوان - AML - ، لوسمی مزمن لنفاوی - CLL - ، لوسمی مزمن مغز استخوان . - CML - بروز همه لوسمیها تقریباً 13 مورد به ازای هر صد هزار نفر در سال میباشد. لوسمی دوران کودکی به عنوان شاخه بسیار مهم تحقیقات گسترده سبب شناسی، تشخیصی، و درمانی، باقی مانده است. این لوسمی یکی از رایجترین سرطانها در کودکان است، که شامل بیش از یک سوم کل سرطانهای دوران کودکی است.
مطالعات کشورهای مختلف وقوع رو به رشد لوسمی کودکان را در دهههای اخیر یافتهاند.[3-6] هنگامی که مغز استخوان قادر به تولید کافی عناصر خون طبیعی نباشد، علائم گوناگونی به وجود میآیند. چون بیماران لوسمی سلولهای سفید طبیعی بسیار کمی برای دفع عفونتها دارند، دچار عفونت و تبهای مکرر میشوند. مبتلایان به لوسمی سلولهای قرمز طبیعی کمتری نیز دارند، و به معنی است که سلولهای قرمز کافی برای حمل اکسیژن به سلولهای بافت-های سراسر بدن وجود ندارد. این وضعیت کم خونی نام دارد و باعث میشود بیمار رنگ پریده به نظر برسد، به علاوه اینکه احساس ضعف و خستگی کند. لوسمی میتواند منجر به کاهش پلاکتها نیز بشود، که مسئول انعقاد خون میباشند.
این باعث میشود بیماران به راحتی دچار خونریزی و کبودی شوند، اغلب به شکل خونریزیهای بینی و لثه و لکههای پوستی بنفش. آزمایشهای خون معمول، از قبیل شمارش کامل خون - CBC - ، اغلب اولین یافتههای آزمایشگاهی بیماری که لوسمی دارد، میباشند. لوسمی معمولاً با تعداد بالای سلول-های سفید خون - WBC - ، تعداد سلولهای قرمز - RBC - و پلاکتهای کم خون ظاهر میشود. علاوه بر این، سلولهای سفید بسیار نابالغ به نام بلاستها در نمونههای خون زمانی که زیر میکروسکوپ آزمایش میشوند، مشاهده میشوند. بلاستها به طور طبیعی در خون در حال گردش مشاهده نمیشوند، و به روش سلولهای بالغ کار نمیکنند.
حضور آنها به تنهایی گواهی کافی برای تشخیص لوسمی می-باشد. آسپیراسیون مغز استخوانیا یک نمونه برداری مغز استخوان تقریباً همیشه برای تایید تشخیص لوسمی صورت میگیرد.[7-9] به طور خلاصه تشخیص قابل اطمینان لوسمی به شواهد آزمایشگاهی و بالینی بسیاری همراه با ویژگیهای معمولی در آسپیراسیون و نمونه برداری مغز استخوان نیاز دارد. چون رفع بسیاری از مشکلات بسیار زمان میبرد، از این رو برای تشخیص سریع و مناسب لوسمی از تکنیک شبکه عصبی مصنوعی استفاده کردیم که یک ابزار یادگیری ماشین را ارائه داد که برای مشکل تشخیص الگوی پیچیده مفید واقع شد.
روش حل مساله
41 پارامتر بالینی و آزمایشگاهی از 131 بیمار 63 - تای آنها سرطانی و بقیه غیر سرطانی بودند - که نتایج آسیب شناسی داشتند، از اسناد بیماران بیمارستان سینا همدان انتخاب شدند. این پارامترها عبارتاند از: سن، جنسیت، استفراغ، تهوع، هماتوکریت، سلولهای سفید خون، سرعت رسوب گلبول قرمز - ESR - ، عفونت، کاهش وزن، میانگین هموگلوبین گلبول قرمز - MCH - ، متوسط غلظت هموگلوبین گلبول قرمز - MCHC - ، سدیم - Na+ - ، متوسط حجم گلبول - MCV - ، عرض توزیع سلول قرمز خون - RDW - ، زمان پروترومبین - PT - ، آسپارتات ترانس آمیناز - SGOT - ، SGBT، کراتینین، اسید اوریک، بیلی روبین D، بیلی روبین T، لاکتات دهیدروژناز - LDH - ، تب، خون ریزی، لنفادنوپاتی، بزرگی طحال و کبد، هموگلوبین، پلاکت و غیره.
تحلیل ویژگی: پس از تجزیه و تحلیل آماری اولیه، دو آزمون تی استیودنت مرتبط، برای تعیین اهمیت آماری برای تفاوت بین دو گروه بیماران مبتلا و غیر مبتلا به لوسمی استفاده شدند. 8 مورد از 41 ویژگی که تفاوت بیشتری بین گروه سرطانی و غیر سرطانی نشان دادند، به عنوان ورودی برای آنالیز شبکه عصبی مصنوعی استفاده شدند - تحلیل آماری توسط نرمافزار SPSS-15 کامل شد - . این ویژگیها عبارت بودند از: جنسیت، تب، خونریزی، لنفادنوپاتی، بزرگی طحال و کبد، هماتوکریت، هموگلوبین و پلاکتها.
شبکه عصبی مصنوعی: نصب و آموزش شبکه عصبی مصنوعی توسط نرمافزار Matlab صورت گرفت. به منظور آموزش شبکه عصبی، ویژگیهای انتخاب شده نرمالسازی شده بودند؛ این نرمال سازی برای پرهیز از آموزش غیر یکنواخت که در آن وزن مربوط به برخی ویژگیها نسبت به بقیه با سرعت بیشتری همگرا میشود ضروری بود. بعد از نرمال سازی، نمونهای به تصادف انتخاب شده، به آموزش - 80% - ، اعتبار سنجی متقابل - 10% - و مجموعه دادههای آزمایش - %10 - تقسیم شد. مجموعه دادههای آموزشی برای یادگیری به شبکه ارائه شد. مجموعه دادههای اعتبار سنجی متقابل برای اندازه گیری کارایی آموزش در طی آموزش و متوقف کردن آموزش در صورت لزوم استفاده شدند.
مجموعه دادههای آزمایش به هیچ وجه در طول آزمایش استفاده نشدند و از این رو، مقیاسی مستقل از کارایی آموزش ارائه کردند. مدل ادراک چند لایه شبکه عصبی مصنوعی مورد استفاده قرار گرفت. شبکه متشکل از یک لایه ورودی، یک لایه مخفی و یک لایه خروجی میباشد. لایه ورودی دارای 8 نرون مرتبط با 8 ویژگی ورودی بود؛ لایه مخفی دارای 8 نرون بود که ویژگیهای ورودی را از لایه ورودی به لایه مخفی تبدیل میکرد. سرانجام، لایه خروجی فقط یک نرون داشت که دو حالت تشخیص ممکن سرطانی و غیر سرطانی را نشان میداد.
سپس شبکه عصبی با دادههای روی هارد، آموزش داده شد، تابع یادگیری لونبرگ- مارکارد پس-انتشار و نرخ یادگیری 0/1 بود. آموزش شبکه عصبی اساسا یک مشکل کمترین مربعات غیر خطی میباشد و از این رو میتواند با کلاسی از الگوریتم-های کمترین مربعات غیرخطی حل شود. از میان آنها، لونبرگ-مارکارد یک روش مبتنی بر ناحیه اعتماد، با ناحیه اعتماد فوق-کروی می-باشد. این روش در عمل بسیار عالی کار میکند، و به عنوان موثرترین الگوریتم برای آموزش شبکههای عصبی مصنوعی با اندازه متوسط در نظر گرفته میشود. مانند روشهای شبه نیوتون، الکوریتم لونبرگ-مارکارد برای نزدیک شدن به سرعت آموزش مرتبه دوم بدون نیاز به محاسبه ماتریس هشین طراحی شد.
