مجله دانشگاه علوم پزشکی بابل، جلد ۱۶، شماره ۱، صفحات ۷۷-۸۴
عنوان فارسی شبیه سازی یک مدل ترکیبی به کمک الگوریتم ژنتیک و شبکه عصبی مصنوعی برای پیش بینی التهاب ریه در رادیوتراپی پستان
چکیده فارسی مقاله سابقه و هدف: سمیت ریه مرتبط با رادیوتراپی قفسه سینه، تقریبا در 15-5% بیمارانی که رادیوتراپی قفسه سینه انجام می دهند اتفاق می افتد، برای حداقل رساندن آن لازم است تا ارتباط بین خطر التهاب ریه القا تابشی و پارامتر های درمان همانند فاکتور دزیمتری، فاکتورهای بیولوژیکی، و آزمایشهای عملکردی ریه درک شود. از این رو، شبکه عصبی مصنوعی فید-فوروارد همراه با الگوریتم ژنتیک برای پیش بینی وقوع التهاب ریه با درجه بالاتر 1 بررسی شد.مواد و روشها: در این مطالعه آماری و شبیه سازی، یک شبکه عصبی غیر خطی همراه با الگوریتم ژنتیک برای پیش بینی التهاب ریه ناشی از درمان رادیوتراپی خارجی پستان توسعه داده شد. شبکه عصبی شامل یک لایه ورودی، یک لایه میانی با هفت گره و لایه خروجی با یک گره می باشد. اطلاعات ورودی شبکه عصبی شامل 65 متغیر وابسته به دز بدست آمده از طراحی درمان و 8 متغیر مستقل از دز همانند شیمی درمانی، سن بیمار، وجود و یا عدم وجود جراحی، مکان تومور در سمت راست و یا چپ، تعداد میدانهای تابش، درجه تومور، و فاکتورهای هورمونی می باشد. این اطلاعات از 66 بیماری که به علت سرطان پستان با رادیوتراپی خارجی درمان می شدند، بدست آمده است. 18 بیمار التهاب ریه بالاتر از 1 داشتند. برای استخراج موثرترین ترکیب ورودی ها از روش الگوریتم ژنتیک استفاده شد. اهمیت هر ترکیب ورودی با الگوریتم ژنتیک با گره های میانی مختلف ارزیابی شد. برای ارزیابی کارآیی شبکه عصبی کامل و ترکیبی با الگوریتم ژنتیک از میزان دقت، حساسیت و ویژگی تشخیصی و منحنی های ROC استفاده شده است.یافته ها: برای شبکه بهینه شده ترکیبی با قالب های ورودی که از متغیر های وابسته و مستقل از دز ساخته شده است، ناحیه زیر منحنی مشخصات عملکردی دریافت کننده (ROC) برای آزمایش متعامد برای مدل های کامل و ترکیبی به ترتیب 84% و 91% می باشد. حساسیت، ویژگی و دقت 66%، 90% و 79% برای مدل کامل و 70%، 96% و 88% برای مدل ترکیبی می باشند.نتیجه گیری: شبکه عصبی مصنوعی نشان داده شده است که برای آموزش رابطه پیچیده بین پارامتر های درمان و خروجی که اگر بیشتر توسعه داده شود، می تواند بک وسیله سودمندی در پیش بینی خروجی های بیولوژیکی بکار گرفته شود. الگوریتم ژنتیک روش سریع و قابل اطمینانی برای انتخاب فاکتورهای مهم در تحلیل مطالعات کلینیکی بزرگ می باشد. همانطور که از نتایج مشخص می باشد، مدل ترکیبی شبکه عصبی همراه با الگوریتم ژنتیک روش کاراتری نسبت به مدل کامل شبکه عصبی در پیش بینی التهاب ریه می باشد.
کلیدواژه‌های فارسی مقاله رادیوتراپی، الگوریتم ژنتیک، شبکه عصبی مصنوعی، التهاب ریه.
عنوان انگلیسی A Genetic Algorithm and Neural Network Hybrid Model to Predict Lung Radiation-Induced Pneumonitis in Breast Radiotherapy (A simulation Study)
چکیده انگلیسی مقاله BACKGROUND AND OBJECTIVE: To minimize lung toxicity associated with radiotherapy, occurring in approximately 5-15% of patients the understanding of the correlation between the risk of radiation-induced pneumonitis and treatment parameters is essential. A feed-forward artificial neural network along with a genetic algorithm was investigated to predict the occurrence of lung radiation-induced upper grade 1 pneumonitis.METHODS: A nonlinear neural network along with a genetic algorithm was developed. Inputs for the neural network (features) were selected from 65 dose variables extracted from treatment plan and 8 non-dose variables like chemotherapy schedule, age, surgery (yes or no), tumor location, tumor stage, radiation fields, and hormone factors. Of these patients, 18 were diagnosed with grade 1 or higher lung pneumonitis. In this work, this study was based on data from 66 patients with breast cancer treated with external beam radiotherapy. The accuracy, specificity, sensitivity and receiver operator characteristic (ROC) curves were evaluated.FINDINGS: The area under the receiver operating characteristics (ROC) curve for cross-validated testing was 84% and 91% for the ANN and the hybrid model, respectively. Sensitivity, specificity and accuracy were 66%, 90% and 79% for ANN and 70%, 96% and 88% for the hybrid model.CONCLUSION: ANNs may prove to be a useful tool in predicting biological outcomes. The combined model of neural network and genetic algorithm is an efficient method for predicting radiation pneumonitis with respect to the neural network model.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علی اسماعیلی دافچاهی m sc | a esmaeeli
آدرس بابل، دانشگاه علوم پزشکی، گروه بیوشیمی و بیوفیزیک، تلفن 2190593-0111 e-mail monfared_ali@yahoo.com
سازمان اصلی تایید شده: دانشگاه علوم پزشکی بابل (Babol university of medical sciences)

مجید پولادیانphd | m pouladian


علی شبستانی منفردphd | a monfared


سیدربیع مهدوی p hd | sr mahdavi


داریوش مسلمی m d | d moslemi


نشانی اینترنتی http://www.jbums.org/browse.php?a_code=A-10-1370-952&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده بیوشیمی
نوع مقاله منتشر شده تحلیلی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات