بخشی از مقاله
خلاصه
درسالهای اخیر استفاده از شبکههای عصبی مصنوعی در پیشبینی اثرات متغیرهای مختلف روی یک متغیر خاص و مدل کردن روابط - پیچیده - بین این متغیرها مورد توجه قرار گرفته است. دراین مقاله، ابتدا از شبکههای عصبی مصنوعی برای پیشبینی نتایج درمان بیماری سرطان معده به روش های شیمی درمانی، پرتو درمانی و جراحی، در بیماران مبتلا به آدنوکارسینوم معده استفاده شده و با استفاده از شبکهعصبی یک روش موثر درمانی برای این بیماران ارائه شده است.
در مرحله بعد با استفاده ازشبکه عصبی مصنوعی میزان بقای مبتلایان تعیین شده است. نتایج شبیه سازی نشان میدهد که شبکهعصبی در حد رضایتبخشی قادر به پیشبینی روند درمان بیماری سرطان معده است. همچنین نتایج حاصل از روش ارائه شده برای تعیین روش درمان و میزان بقای مبتلایان به سرطان معده، عمدتا با نظریات پزشکان متخصص در این زمینه سازگار می باشد.
.1 مقدمه
در علم پزشکی تشخیص بیماری و تعیین روش درمان مناسب برای بیماران دارای اهمیت بالایی است. امروزه با توجه به حجم بالای داده های موثر در بیماری هایی مانند سرطان، بر پیچیدگی روند تشخیص و درمان افزوده شده است. در بیماری سرطان شرایط بیمار، مرحله بیماری و تجربه ی پزشک درمانگر می تواند منجر به درمان کمتر یا بیشتر از نیاز شود که خود سبب عود یا عوارض درمان خواهد شد.
سرطان معده یکی از انواع خطرناک این بیماری، چهارمین سرطان منجر به مرگ در دنیا [1] ودومین سرطان شایع بین مردان در ایران محسوب می شود75000 .[2] نمونه جدید و 60000 مرگ در سال در اتحادیه اروپا در سن 50 تا 70 سال ثبت شده که دراین میان نسبت مردها، 1,5 برابر زن ها گزارش شده است. [3] گرچه علت اصلی گسترش این بیماری کاملا مشخص نیست، با این حال مصرف روزافزون غذاها و موارد نگهدارنده، می تواند نقش موثری در گسترش آن داشته باشد. از طرف دیگر بهبود شرایط تغذیه و مصرف کافی میوهها و سبزیجات تازه، عاملی بازدارنده محسوب می شود.
پیچیدگی های ذکر شده، نیاز به وجود سیستمی هوشمند در کنار پزشک متخصص جهت تشخیص و انتخاب نوع درمان مناسب برای بیماران بشدت احساس می شود. امروزه با کمک ابزارهای دادهکاوی میتوان الگوهای نهان در میان دادهها را استخراج نمود. با ساخت مدل مربوط به دادههای موجود در پایگاههای داده، سیستم کمک تصمیمی طراحی کرد که در زمینه تصمیمگیری به خبرگان یاریرسان باشد. در این پژوهش شبکه عصبی مصنوعی به عناون یکی از بهترین ابزارهای داده کاوی موجود برای کشف نظام حاکم بر دادههای مربوط به بیماران مبتلا به سرطان معده استفاده شده است.
مطابق نظر اکثریت پزشکان متخصص تعداد 15 پارامتر تاثیرگذار از قبیل سن، جنسیت، عمق تومور، محل توموردر معده و غیره برای هر بیمار استخراج شده است. بخشی از این داده ها در مرحله اول جهت تعیین روش درمان، به عنوان ورودی - درمرحله آموزش - به شبکه عصبی پرسپترون چند لایه7 و شبکه عصبی با تابع پایه شعاعی8 اعمال شده اند. پس از آموزش شبکه های مذکور، عملکرد آن ها روی داده های آزمایش - در مرحله آزمایش - بررسی شد که دقت تشخیص 84,6 و 95,2 درصد به ترتیب برای شبکه عصبی پرسپترون چند لایه و عصبی با تابع پایه شعاعی حاصل شده است.
در مرحله بعد داده های آموزش جهت تشخیص بهبود یا عدم بهبود بیماران، به شبکه های عصبی مورد بحث اعمال شد، که در مرحله آزمایش دقت تشخیص 94,4 و 95,2 درصد بدست آمد. نتایج حاصل شده نشان دهنده توانایی بالای روش های ذکر شده در تعیین روش درمان مناسب و همچنین تشخیص بهبود یا عدم بهبود بیمار مبتلا به سرطان معده می باشد.
.2 پیشینه تحقیق
کاراکیتسوس و همکاران در سال 2000 شبکه های عصبی مصنوعی را برای تشخیص شروع سلول های سرطانی بدخیم مورد استفاده قرار دادند]ُ.[ فلوآرز و همکارانش در سال 2003 توانستند با معرفی یک کنترلر تطبیقی عصبی بر اساس خطی سازی فیدبک یک رژیمدارویی بهینه برای بیماران مبتلا به سرطان را بیابند]ِ. آقای محمدمهدی سپهری و همکاران در سال 2009 با استفاده از داده کاوی بر روی اطلاعات پزشکی بیماران مبتلا به سنگ کلیه حالب و ارائه الگوریتم تصمیم گیری روش درمان برای بیماری ارائه دادند.[9]
آقای دکتر خالوزاده و همکاران در سال 2009 توانستند با تعریف تابع هزینه ای که از مجموع دو جمله تشکیل می شد و با کمینه کردن جمله اول اندازه سلولهای سرطانی کم و با کمینه کردن جمله دوم تاثیر مسمویت ناشی از دارو بر سلول های سالم که در برنامهریزی دارویی لحاظ میشد رژیم دارویی بهینهای را برای درمان سرطان پستان بیابند.[10]در سال 2009 افشار و همکاران از شبکه عصبی مصنوعی برای تشخیص سرطان معده استفاده کرده اند. آنها از بین تعداد زیادی داده کلینیکی و دارویی، توسط یک روش پیش پردازش تعداد محدودتر و البته موثرتری را به عنوان ورودی شبکه انتخاب کرده اند.
آنها توسط یک شبکه عصبی سه لایه و با الگوریتم یادگیری لونبرگ-مارکواردت شبکه عصبی را آموزش داده اند.[11] بگلاریان و همکاران از شبکه عصبی و مدل های رگرسیون ویبول برای مشخص کردن فاکتورهای موثر در سرطان معده و محاسبه نرخ بقا در این بیماران استفاده کرده اند .[12] زاهدی و همکاران ابتدا رفتار سرطان مری را توسط شبکه عصبی مدل سازی کرده اند که نتایج شبیه سازی و مقایسه آن با تشخیص پزشک، کارایی شبکه را به وضوح نشان می دهد. سپس دوز دارویی شیمی درمانی همچنین نرخ بقا را با ترکیب شبکه های عصبی به شکل قابل قبولی محاسبه کرده اند.
[13]ژو×و همکاران فاکتورهای موثر در سرطان معده را علاوه بر شبکه عصبی توسط مدل رگرسیون×Cox×مشخص و کارایی دو روش فوق را با هم مقایسه کرده اند.[14] هوآنگ× و همکاران با ماشین بردار پشتیبان بیماران مبتلا به ذات الریه با ریسک بالا را شناسایی کرده اند.[15] رادهاوهمکاران تکنیک خوشه بندی K-means را برای یافتن ژن های مرتبط با سرطان پستان پیشنهاد کرده اند.[16] در این مقاله، از شبکه عصبی پرسپترون چند لایه با آموزش الگوریتم تاخیر در پس انتشار خطا و شبکه عصبی با تابع پایه شعاعی، جهت پیشنهاد یک روش برای درمان سرطان معده و تعیین میزان بقای بیماران مبتلا به سرطان معده، استفاده شده است.
.3 شبکه عصبی پرسپترون چند لایه - × - MLP
این شبکه مطابق شکل 1 شامل سه لایه ورودی، مخفی و خروجی است. تعداد سلولهای هر لایه به روش سعی و خطا مشخص میشوند. وزنهای اولیه این شبکهعصبی مصنوعی بهطور تصادفی تعیین میشوند. این شبکهی عصبی بر اساس الگوریتم پسانتشار خطا آموزش میبیند.
