مدل رادیومیکس مبتنی بر سی‌تی‌اسکن خطر آسیب بینایی پس از پرتودرمانی را پیش‌بینی می‌کند

به گزارش علم‌‌خوان، پرتودرمانی یکی از ارکان اصلی درمان سرطان به شمار می‌رود، اما آسیب به بافت‌های سالم اطراف—به‌ویژه عصب بینایی—می‌تواند منجر به کاهش یا از دست رفتن دائمی بینایی شود. نوروپاتی بینایی ناشی از پرتو معمولاً ماه‌ها تا سال‌ها پس از درمان بروز می‌کند و ارتباط نزدیکی با دوزهای بالاتر پرتوتابی به مسیرهای بینایی دارد.

 

روش تحقیق

پژوهشگران دانشگاه علوم پزشکی تهران در این تحقیق تصاویر سی‌تی‌اسکن بیماران تحت پرتودرمانی را بررسی کرده و با استفاده از تکنیک رادیومیکس، حجم وسیعی از ویژگی‌های کمی را از این تصاویر استخراج کردند. در مجموع، ۸۵۶ ویژگی رادیومیک از ساختارهای کلیدی بینایی، از جمله عصب‌های بینایی و کیاسمای بینایی، به‌دست آمد.

برای افزایش دقت پیش‌بینی، داده‌های تصویربرداری با اطلاعات بالینی و پارامترهای دوز تابش ترکیب شد. سپس پنج الگوریتم یادگیری ماشین شامل «بیز ساده برنولی»، «درخت تصمیم»، «گرادیان بوستینگ»، «نزدیک‌ترین همسایه» (KNN) و «جنگل تصادفی» با استفاده از روش‌های اعتبارسنجی متقابل مورد ارزیابی قرار گرفتند.

 

یافته‌های تحقیق

نتایج این مطالعه امیدوارکننده بود. حدود ۳۱ درصد از بیماران دچار نوروپاتی بینایی ناشی از پرتو شدند و مدل پیشنهادی عملکرد پیش‌بینی بالایی از خود نشان داد.

 الگوریتم‌های درخت تصمیم و جنگل تصادفی بهترین نتایج را با مقادیر AUC به‌ترتیب ۹۷ و ۹۵ درصد ثبت کردند. نکته قابل توجه این بود که ویژگی‌های استخراج‌شده از کیاسمای بینایی نسبت به عصب‌های بینایی به‌تنهایی قدرت پیش‌بینی بیشتری داشتند.

 

تفسیر یافته‌ها

پژوهشگران تأکید کردند که ترکیب داده‌های رادیومیک، بالینی و دوز پرتوتابی می‌تواند به‌طور قابل توجهی توانایی شناسایی بیماران در معرض خطر را پیش از بروز علائم افزایش دهد. همچنین به نقش تست «پتانسیل برانگیخته بینایی» (VEP) اشاره شد که می‌تواند تغییرات عملکردی زودرس در مسیر بینایی را حتی پیش از کاهش بینایی آشکار کند.

به گفته این پژوهشگران، این نوع مدل‌های پیش‌بینی می‌توانند نقش مهمی در برنامه‌ریزی شخصی‌سازی‌شده درمان سرطان ایفا کنند و به پزشکان کمک کنند تا تعادل بهتری میان کنترل تومور و حفظ بینایی برقرار کنند. با این حال، آن‌ها بر لزوم انجام مطالعات گسترده‌تر و پیگیری‌های طولانی‌مدت برای تأیید و بهبود این مدل تأکید کردند.

 

خلاصه کلام

این تحقیق گامی مهم در مسیر ادغام هوش مصنوعی در تصمیم‌گیری‌های مرتبط با پرتودرمانی محسوب می‌شود و می‌تواند به کاهش عوارض شدید و بهبود کیفیت زندگی بیماران سرطانی کمک کند.

 

منبع: https://www.sciencedirect.com/science/article/pii/S2405844024174403