تشخیص پنوموتوراکس با استفاده از الگوریتم های یادگیری ماشین و رادیومیکس: بررسی امکان جایگزینی رادیوگرافی ساده قفسه سینه به جای سی تی اسکن به منظور کاهش دوز پرتویی

استفاده از الگوریتم های هوش مصنوعی برای کمک به تشخیص صحیح در تصاویر پزشکی یکی از مهم ترین کاربردهای این فناوری در حوزه تصویربرداری است. در این پژوهش امکان جایگزینی رادیوگرافی ساده قفسه سینه به منظور تشخیص پنوموتوراکس در مواردی که به طور معمول CT درخواست می گردد، با هدف کاهش دوز دریافتی بیماران، موردمطالعه قرار گرفت.

مطالعه حاضر یک مطالعه تحلیلی بوده و در بازه زمانی آذر 1401 تا خرداد 1402 در دانشگاه علوم پزشکی کرمانشاه انجام شده است. داده های مورداستفاده در این تحقیق از پرونده های 350 فرد مشکوک به پنوموتوراکس استخراج شده است. تصاویر جمع آوری شده در نرم افزار MATLAB تحت پیش پردازش قرار گرفتند. سپس سه الگوریتم یادگیری ماشین، شامل رگرسیون لجستیک شبکه الاستیک (LENR)، رگرسیون لجستیک لاسو (LLR) و بوستینگ تطبیقی (AdaBoost) روی داده ها به کار گرفته شد. برای ارزیابی عملکرد این مدل ها از معیارهای دقت، صحت، حساسیت، ویژگی، سطح زیر منحنی مشخصه عملکرد سیستم، امتیاز F1 و طبقه بندی نادرست استفاده شد.

در مدل AdaBoost مقدار دقت در تصاویر رادیوگرافی و CT به ترتیب 99/17% و /98/27% محاسبه شد. مقدار AUC برای همین مدل در تصاویر رادیوگرافی برابر 100% و در تصاویر سی تی اسکن برابر 96/96% به دست آمد.

باتوجه به معیارهای موردارزیابی در مطالعه، دو مدل LLR و AdaBoost دارای عملکرد مشابهی در تصاویر رادیوگرافی و CT از نظر تشخیص افراد با و بدون پنوموتوراکس هستند، به گونه ای که می توان این عارضه را با دقت بالایی با استفاده از تکنیک های یادگیری ماشین در تصاویر رادیوگرافی نیز تشخیص داد و به این ترتیب از دریافت دوز پرتویی بالا ناشی از انجام CT در بیمار اجتناب نمود.