Tehran University Medical Journal

other تشخیص پنوموتوراکس با استفاده از الگوریتم‌های یادگیری ماشین و رادیومیکس: بررسی امکان جایگزینی رادیوگرافی ساده قفسه سینه به‌جای سی‌تی‌اسکن به‌منظور کاهش دوز پرتویی Diagnosis of pneumothorax using machine learning algorithms and radiomics: Investigating the possibility of replacing simple chest radiography instead of CT scan in order to reduce the radiation dose مقاله اصیل Original Article زمینه و هدف: استفاده از الگوریتم‌های هوش مصنوعی برای کمک به تشخیص صحیح در تصاویر پزشکی یکی از مهم‌ترین کاربردهای این فناوری در حوزه تصویربرداری است. در این پژوهش امکان جایگزینی رادیوگرافی ساده قفسه سینه به‌منظور تشخیص پنوموتوراکس در مواردی که به‌طور معمول CT درخواست می‌گردد، با هدف کاهش دوز دریافتی بیماران، موردمطالعه قرار گرفت. روش بررسی: مطالعه حاضر یک مطالعه تحلیلی بوده و در بازه زمانی آذر 1401 تا خرداد 1402 در دانشگاه علوم پزشکی کرمانشاه انجام شده است. داده‌های مورداستفاده در این تحقیق از پرونده‌های 350 فرد مشکوک به پنوموتوراکس استخراج شده است. تصاویر جمع‌آوری شده در نرم‌افزار MATLAB تحت پیش‌پردازش قرار گرفتند. سپس سه الگوریتم یادگیری ماشین، شامل رگرسیون لجستیک شبکه الاستیک (LENR)، رگرسیون لجستیک لاسو (LLR) و بوستینگ تطبیقی (AdaBoost) روی داده‌ها به‌کار گرفته شد. برای ارزیابی عملکرد این مدل‌ها از معیارهای دقت، صحت، حساسیت، ویژگی، سطح زیر منحنی مشخصه عملکرد سیستم، امتیاز F1 و طبقه‌بندی نادرست استفاده شد. یافته‌ها: در مدل AdaBoost مقدار دقت در تصاویر رادیوگرافی و CT به‌ترتیب 99/17% و /98/27% محاسبه شد. مقدار AUC برای همین مدل در تصاویر رادیوگرافی برابر 100% و در تصاویر سی‌تی‌اسکن برابر 96/96% به‌دست آمد. نتیجه‌گیری: باتوجه‌به معیارهای موردارزیابی در مطالعه، دو مدل LLR و AdaBoost دارای عملکرد مشابهی در تصاویر رادیوگرافی و CT از نظر تشخیص افراد با و بدون‌پنوموتوراکس هستند، به‌گونه‌ای که می‌توان این عارضه را با دقت بالایی با استفاده از تکنیک‌های یادگیری ماشین در تصاویر رادیوگرافی نیز تشخیص داد و به‌این‌ترتیب از دریافت دوز پرتویی بالا ناشی از انجام CT در بیمار اجتناب نمود.   Background: The use of artificial intelligence algorithms to help with accurate diagnosis in medical images is one of the most important applications of this technology in the field of medical imaging. In this research, the possibility of replacing simple chest radiography instead of CT scan using machine learning models to detect pneumothorax was investigated in cases where CT is usually requested. Methods: This study is analytical and was conducted from November 2022 to May 2023 at Kermanshah University of Medical Sciences. The data used in this research was extracted from the files of 350 patients suspected of pneumothorax. The collected images were pre-processed in MATLAB software. Then, three machine learning algorithms, including Logistic elastic net regression (LENR), Logistic lasso regression (LLR) and Adaptive Boosting (AdaBoost) were used. To evaluate the performance of these models, the criteria of precision, accuracy, sensitivity, specificity, area under the receiver operating characteristic curve (AUC), F1 score, and misclassification were used. <div> <table align="center" hspace="0" vspace="0"> <tbody> <tr> <td align="left" style="padding-top:0in; padding-right:12px; padding-bottom:0in; padding-left:12px" valign="top">Results: In the AdaBoost model, the accuracy value in radiographic and CT images was calculated as 98.89% and 98.63%, respectively, and the precision value was calculated as 99.17% and 98.27%, respectively. In radiographic images, the AUC value for AdaBoost model was calculated as 100% and in CT scan images as 96.96%. The F1 score for the same model in radiographic was 99% and in CT images was 98.68%. The specificity value for the AdaBoost model was calculated as 99.45% in radiographic images and 94.67% in CT scan images. In the LLR model, the AUC value for radiographic and CT scan images was 99.87% and 99.02%, respectively. Conclusion: According to the criteria evaluated in the present study, two LLR and AdaBoost models have similar performance in radiographic and CT images in terms of pneumothorax detection ability, so that this complication can also be diagnosed with high precision level using machine learning techniques on the radiographic images and thus receiving higher levels of radiation doses due to CT scan can be avoided in these patients.</td> </tr> </tbody> </table> </div> هوش مصنوعی, یادگیری ماشین, پنوموتوراکس. artificial intelligence, machine learning, pneumothorax. 339 348 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-665&slc_lang=other&sid=1 Hanieh Alimiri Dehbaghi هانیه علی‌میری ده‌باغی Yes Department of Medical Physics, School of Medicine, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Karim Khoshgard کریم خوش‌گرد No Department of Medical Physics, School of Medicine, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Hamid Sharini حمید شرینی No Department of Biomedical Engineering, School of Medicine, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Samira Jafari Khairabadi سمیرا جعفری خیرآبادی No Student Research Committee, Kermanshah University of Medical Sciences, Kermanshah, Iran. کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Farhad Naleini فرهاد نعلینی No Department of Radiology, School of Medicine, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه رادیولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.