بخشی از مقاله
خلاصه
روش های یادگیری ماشین، با قابلیت یادگیری و آموزش سیستم، از توانایی بالایی در طراحی سیستم های هوشمند پزشکی و غیر پزشکی به منظور طبقه بندی برخوردارند. عدم دقت و عدم قطعیت موجود در مسائل پزشکی، نیاز به طراحی سیستم های کمک تشخیص پزشکی را آشکار می کند. در این پژوهش هدف طراحی سیستم های کمک تشخیص پزشکی، با بهره گیری از روش های شبکه عصبی چندلایه - - MLP و سیستم استنتاج فازی جهت تشخیص متاستاز در کبد می باشد.
نتایج عملکرد سیستم با تشخیص پزشکان در زمینه پیش بینی بیماری متاستاز در کبد با بهره گیری از گزارش های تهیه شده توسط رادیولوژیست بر اساس تصاویر CT Scan مقایسه شده است. صحت عملکرد میانگین روش های اعمال شده برابر 93 در صد می باشد، و از قالیت اطمینان بالایی جهت تشخیص متاستاز در کبد برخوردار است. سیستم طراحی شده در این مقاله می تواند به عنوان یک سیستم کمک تشخیص پزشکی و به عنوان نظر دوم در تشخیص برای پزشکان مورد استفاده قرار گیرد.
مقدمه
سیستم های کمک تشخیص پزشکی از محبوبیت فراوانی در مسائل بهداشت و درمان برخوردار است، زیرا نیاز به روش های تحلیل کارآمد برای تشخیص اطلاعات ناشناخته و ارزشمند در داده های پزشکی وجود دارد. به علت وجود منابع عدم قطعیت در مسائل پزشکی، طراحی سیستم های کمک تشخیص پزشکی با بهره گیری از روش های موجود در محاسبات نرم مانند شبکه های عصبی و سیستم های استنتاج فازی و ترکیب این روش ها، از اهمیت بالایی برخوردار است، این سیستم ها توانایی بالایی در پیش بینی و تشخیص بیماری ها دارند، تاکنون سیستم هایی در زمینه تشخیص انواع بیماری ها و سرطان مانند سرطان ریه و سرطان سینه طراحی شده اند.[1] در این پژوهش هدف طراحی یک شبکه عصبی به منظور تشخیص متاستاز در کبد و مقایسه آن با سیستم استنتاج فازی طراحی شده در زمینه تشخیص متاستاز کبدی می باشد.
سرطان کبد یکی از انواع رایج سرطان در جهان و در ایران می باشد، و شیوع این نوع از سرطان در کشور در حال افزایش است، طراحی سیستم های کامپیوتر به کمک تشخیص سرطان کبد می تواند در تشخیص بهنگام و روند درمان بیماری موثر باشد.
کبد بزرگترین عضو داخلی شکم می باشد و وظایف مهمی مانند تولید پروتئین های ضروری بدن، متابولیسم داروها، و دخیره آهن را برعهده دارد[2]، انجام وظایف کبد در بیماران دچار بیماری های کبدی، با اختلال مواجه است و در بیشتر موارد غیر ممکن است، متاستاز کبدی نوعی از سرطان پیشرفته در کبد می باشد که منشا آن عضو دیگری در بدن می باشد، کبد محل معمول متاستاز روده و معده می باشد. تشخیص زودهنگام متاستاز در کبد می تواند در فرآیند در مان بیماری موثر باشد.
روش های متفاوتی در تشخیص بیماری های کبدی وجود دارد مانند تشخیص از طریق آزمایش خون، تست کبد، تشخیص از طریق تصاویر MRI، و تشخیص از طریق تصاویر CT Scan، در این پژوهش ارزیابی سیستم های طراحی شده در زمینه تشخیص متاستاز کبد از طریق تصاویر CT Scan انجام می شود. آمار ابتلا به انواع سرطان کبد در کشور رو به افزایش است در سال 92 تعداد افراد مبتلا به سرطان کبد 2964 نفر گزارش شده است.[4] افزایش آمار کلی ابتلا به انواع بیماری ها و سرطان در کشور اهمیت طراحی سیستم های کمک تشخیص پزشکی را آشکار می کند، در ادامه مروری بر سیستم های طراحی شده در زمینه تشخیص بیماری هاو انواع سرطان کبد انجام می شود.
.2 مروری بر سیستم های کامپیوتر به کمک تشخیص انواع بیماری ها و سرطان کبد
در سال 1998 یک سیستم کمک تشخیص پزشکی با بهره گیری از شبکه های عصبی احتمالی جهت تشخیص هپاتوماو همانژوما در کبد طراحی شد، صحت عملکرد سیستم برابر 83 در صد می باشد.
در سال 2003 یک شبکه عصبی- فازی جهت دسته بندی بیماریهای کبدی مانند کبد چرب، سیروز کبدی و کبد نرمال طراحی شد [6]، صحت عملکرد سیستم برابر82,7 درصد می باشد.
در سال 2004 یک سیستم کمک تشخیص پزشکی با تکیه بر ویژگی بافت ها و بهره گیری از شبکه های عصبی چند لایه جهت طبقه بندی تومورهای بدخیم و همانژیوم طراحی شد[7] ، در ارزیابی سیستم از 184 تصویر CT Scan بهره گیری شده است، و صحت عملکرد سیستم برابر 80,5 درصد می باشد.
در سال 2005 یک سیستم کمک تشخیص پزشکی به منظور تشخیص کبد مبتلا به سرطان و کبد نرمال با بهره گیری از روش ماشین بردار پشتیبان SVM طراحی شد.[8] ارزیابی سیستم با استفاده از تصاویر CT Scan انجام شده است، میزان خطای سیستم برابر FP=0,53 درصد می باشد.
در سال 2006 یک سیستم طبقه بندی BCLC با بهره گیری از پایگاه داده بیماران مبتلا به سرطان کبد - - HCC طراحی شد[9]، سیستم طراحی شده نسبت به سیستم های طراحی شده پیشین مانند UNOS و CLIP از قدرت تشخیص بالاتری برخوردار است، به صحت عملکرد سیستم اشاره نشده است.
در سال 2008، یک سیستم خبره فازی با بهره گیری ازاستنتاج فازی وبه کار گیری منطق فازی و با استفاده از
عبارات زبانی وقوانین فازی در پایگاه دانش سیستم، به منظور تشخیص کبد نرمال از کبد غیر نرمال طراحی شد [10]، صحت عملکرد این سیستم 91 درصد می باشد.
در سال 2012 یک سیستم کمک تشخیص پزشکی CAD به منظور طبقه بندی تومورهای خوش خیم و بدخیم در کبد و با بهره گیری از شبکه های عصبی احتمالی و خوشه بندی فازی طراحی شد[11]، صحت عملکرد سیستم برابر94 درصد می باشد.
درسال 2013 یک سیستم کمک تشخیص پزشکی - - CAD جهت تشخیص همانژیوما و هپاتوسلولارکارسینما با تکیه بر تفاوت ویژگی ها در تومورها و با بهره گیری از شبکه های عصبی احتمالی و خوشه بندی فازی طراحی شد.[12] صحت عملکرد سیستم برابر 96,7 در صد می باشد.
در سال 2014 یک سیستم کمک تشخیص پزشکی - CAD - با بهره گیری از شبکه های عصبی به منظور طبقه بندی بافت سلولهای نرمال کبد از سلولهای تومورهای متاستاتیک و هپاتوسلولار کارسینما - - HCC با بهره گیری از تصاویر سونوگرافی طراحی شد .[13] صحت عملکرد سیستم برابر 95 در صد می باشد.
در سال 2015 یک سیستم کمک تشخیص پزشکی با بهره گیری از شبکه های عصبی پس انتشار به منظور دسته بندی کیست ها و همانژیوم ها و تومورهای بدخیم کبدی طراحی شد[14] صحت عملکرد سیستم برابر 96 درصد می باشد.
در این پژوهش هدف طراحی یک شبکه عصبی دو لایه و مقایسه عملکرد آن با سیستم فازی طراحی شده در زمینه تشخیص متاستاز در کبد می باشد.
.4 شبکه عصبی - MLP - جهت تشخیص متاستاز در کبد
شبکه های عصبی، یکی از تکنیک های محاسبات نرم می باشد، که با بهره گیری از نورون های مصنوعی، سعی در شبیه سازی سیستم بیولوژیکی مغز انسان به منظور مدل کردن فرآیند یادگیری مغز دارند. شبکه های عصبی ورودی های قطعی دریافت کرده و خروجی های قطعی تولید می کنند و توانایی مدیریت عدم قطعیت را ندارند.
در این پژوهش یک شبکه عصبی دولایه با تکیه بر اطلاعات موجود در تصاویر CT scan کبد جهت تشخیص متاستاز در کبد طراحی شده است، ورودی های شبکه عصبی شامل مقادیر عددی مربوط به سایز تومور، اندازه کبد، میزان تاثیر کانتراست، تغییرات ضخامت کلیه و تاثیر بر روی غدد لنفاوی می باشد، و در خروجی شبکه عصبی احتمال ابتلا به متاستاز در کبد بیان می شود. در شکل1شبکه عصبی طراحی شده به منظور تشخیص متاستاز در کبد نشان داده شده است.
شکل:1 معماری شبکه عصبی پس انتشار جهت تشخیص متاستاز در کبد
