Iranian Journal of Breast Diseases

fa پیش بینی اشعه دریافتی قلب و ریه در بیماران سرطان پستان تحت پرتودرمانی با استفاده از یادگیری ماشین نظارت شده Prediction of Received Heart and Lung Radiation Dose in Breast Cancer Patients Undergoing Radiation Therapy Using Supervised Machine Learning انفورماتیک پزشکی Health informatics كاربردي Applicable <div style="text-align: justify;">مقدمه: قلب و ریه از جمله ارگان های در معرض خطر دریافت اشعه اضافی در طول پرتودرمانی بیماران مبتلا به سرطان پستان هستند. در سال های اخیر هوش مصنوعی و یادگیری ماشین در علم پزشکی تحولات زیادی به وجود آورده است؛ هدف از این مطالعه پیش بینی اشعه دریافتی قلب و ریه با درنظر گرفتن ویژگی های آناتومیکی برای بیماران سرطان پستان تحت پرتودرمانی با استفاده از یادگیری ماشین است. روش بررسی: این مطالعه کاربردی از طریق بررسی پرونده های پزشکی در سال 1402 و با استخراج ویژگی های آناتومیکی موجود در CT-Scan قفسه سینه 210 بیمار زن مبتلا به سرطان پستان چپ بعد از عمل جراحی لامپکتومی انجام شد. اطلاعات بیماران از سیستم ذخیره و انتقال تصاویر (PACS) استخراج شد و برای پیش بینی اشعه دریافتی قلب و ریه از الگوریتم های دسته بندی چند برچسبه استفاده شد. همچنین برای ارزیابی عملکرد الگوریتم ها ازAccuracy , Precision , Recall   F1-Score,  Hamming loss, استفاده شد. یافته ها: با توجه به نتایج ارزیابی عملکرد 7 الگوریتم دسته بندی چند برچسبه و با درنظر گرفتن 16 متغیر آناتومیکی تاثیرگذار بر میزان اشعه دریافتی قلب و ریه، الگوریتم جنگل تصادفی (RF) با صحت 9/ 41%، دقت 3/ 73%، پوشش 6/ 70%، امتیازF1  3/ 71% و زیان همینگ 4/ 27% بهترین عملکرد را بین سایر الگوریتم ها داشته است. نتیجه گیری: با استفاده از الگوریتم های یادگیری ماشین و با در نظرگرفتن ویژگی های آناتومیکی می توان بیماران مناسب برای پرتودرمانی3D wedge pair  را شناسایی کرده و برای سایر بیماران که در خطر دریافت دوز بالای اشعه قلب و ریه هستند تکنیک های پیشرفته تر مانندIMRT  (پرتودرمانی با شدت مدوله شده) یا DIBH (پرتودرمانی با تکنیک کنترل تنفس) و .... را پیشنهاد داد.</div> <div><div id="ftn1"></div></div> <div style="text-align: justify;">Introduction: The heart and lungs are among the organs at risk of receiving additional radiation during radiation therapy of breast cancer patients. In recent years, artificial intelligence and machine learning have brought about significant advancements in the field of medicine. This study aimed to predict the radiation dose received by the heart and lungs in breast cancer patients undergoing radiotherapy, taking into account the anatomical characteristics of these organs through the application of machine learning techniques. Methods: This applied study was conducted by reviewing medical records in 2023 and extracting anatomical features present in chest computed tomography scans of 210 female patients with left breast cancer who had undergone lumpectomy surgery. Patient data were extracted from <a name="_Hlk181607527">the Picture Archiving and Communication Syste</a>, and multi-label classification algorithms were employed to predict the radiation dose received by the heart and lungs. The performance of the algorithms was further evaluated using metrics such as accuracy, precision, recall, F1-Score, and Hamming loss. Results: Based on the performance evaluation results of 7 multi-label classification algorithms and considering 16 anatomical variables influencing the amount of radiation received by the heart and lungs, the Random Forest (RF) algorithm achieved the best performance among other algorithms with an accuracy of 41.9%, precision of 73.3%, recall of 70.6%, F1 score of 73.1%, and Hamming loss of 27.4%. Conclusion: The use of machine learning algorithms and considering anatomical features make it possible to identify suitable patients for 3D wedge pair radiotherapy. More advanced techniques, such as <a id="_Hlk181609514" name="_Hlk181609514">Intensity-Modulated Radiation Therapy or Deep Inspiration Breath Hold</a>, can be recommended for other patients at risk of receiving high doses of radiation to the heart and lungs. </div> پرتودرمانی, ریه, سرطان پستان, قلب, یادگیری ماشین Breast Neoplasm, Heart, Lung, Machine learning, Radiation Dose 52 67 http://ijbd.ir/browse.php?a_code=A-10-1645-1&slc_lang=fa&sid=1 Pooria Afsharifard پوریا افشاری فرد pooriaafshari77@gmail.com 4061054491 000319475328460011855 No Department of Health Information Technology, School of Allied Medical Sciences, Lorestan University of Medical Sciences, Khorramabad, Iran گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی لرستان، خرم آباد، ایران Mohammad Bagher Dowlatshahi محمدباقر دولتشاهی mb.dowlatshahi@yahoo.com 000319475328460011856 000319475328460011856 No Department of Computer Engineering, Faculty of Engineering, Lorestan University, Khorramabad, Iran گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه لرستان، خرم آباد، ایران Mahshid Abbasi مهشید عباسی Mahshid.abbasi2011@gmail.com 000319475328460011857 0009-0004-1308-4458 No Department of Radiation Oncology, School of Medicine, Lorestan University of Medical Sciences, Khoramabad, Iran گروه رادیوانکولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی لرستان، خرم آباد، ایران Abbas Rezaeian عباس رضائیان abbas.rezaian@yahoo.com 000319475328460011858 000319475328460011858 No Department of Radiology Technology, School of Allied Medical Sciences, Lorestan University of Medical Sciences, Khorramabad, Iran گروه تکنولوژی پرتوشناسی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی لرستان، خرم آباد، ایران Morteza Amraei مرتضی امرائی morteza.amraei@yahoo.com 4199775803 000319475328460011859 Yes Department of Health Information Technology, School of Allied Medical Sciences, Lorestan University of Medical Sciences, Khorramabad, Iran گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی لرستان، خرم آباد، ایران