عنوان:

طراحی سیستم تشخیص به کمک کامپیوتر (CAD) جهت تخمین و طبقه بندی ریسک در تصویربرداری ندول های تیروئید بر پایه ACR-TIRADS به کمک الگوریتم های یادگیری ماشین

چكيده 

اهمیت موضوع: ارزیابی و تفسیر تصاویر سونوگرافی تیروئید یک کار زمانبر است و به دلیل وابستگی نمره دهی به تجربه و نظر پزشک، دارای تنوع نظر بین متخصصان می باشد. لذا در این پژوهش یک سیستم تشخیص رایانه ای برای طبقه بندی خطر و توصیه مدیریت گره های تیروئید بر اساس استاندارد ACR-TIRADS ارائه شده است که از روش های یادگیری عمیق جهت بهبود دقت و افزایش قابلیت اطمینان و کاهش تنوع نظر در تشخیص استفاده می شود.

روش پژوهش: در این تحلیل گذشته نگر، 2500 تصویر سونوگرافی تیروئید شامل 3250 ندول از 1037 بیمار، در بازه زمانی 1398-1396 از یک موسسه واحد بدست آمده است. روش پیشنهادی این پژوهش دارای چهار مرحله اصلی می باشد : پیش پردازش و افزایش تصویر، تشخیص گره ها، طبقه بندی گره ها بر اساس ACR-TIRADS و در نهایت طبقه بندی سطح خطر و مدیریت درمان ندول تیروئید. ما چندین شبکه CNN پرکاربرد را در هر دو مرحله تشخیص و کلاس بندی ندول، مورد ارزیابی و تست قرار دادیم تا بهترین شبکه و معماری را متناسب با دیتاست موجود انتخاب کنیم. در نهایت عملکرد روش پیشنهادی با نتایج ارزیابی سه رادیولوژیست با تجربه مقایسه شد.

یافته ها: نتایج مقایسه نشان می دهد که شبکه Faster R-CNN ResNet-101 عملکرد بهتری را در مرحله تشخیص گره در تصویر دارا بود و شبکه Xception به عنوان مدل پایه در مرحله طبقه بندی ندول تیروئید انتخاب شد که با اضافه کردن لایه های مختلف، موفق به دستیابی به میانگین معیارهای عملکرد قابل قبولی در 21 کلاس متناسب با ویژگی های ACR-TIRADS شدیم که شامل 98% accuracy=، 98% AUC=، 91%sensitivity=، 97% specificity=، 94%= f1-score می باشد. مقایسه نتایج ارزیابی رادیولوژیست ها با نتایج سیستم نیز نشان داد که میزان توافق این الگوریتم با استاندارد طلایی پژوهش با دستیابی به میانگین آماره کاپا ۰.۷۷ در همه ویژگی ها و سطح تیرادز، از سه رادیولوژیست (37%، 32% و 44%) بهتر بود.

نتیجه گیری: این مطالعه علاوه بر ایجاد پایگاه داده ای ارزشمند از تصاویر سونوگرافی تیروئید، روشی موثر و کارا برای ارزیابی گره های تیروئید ارائه کرده است که می تواند به عنوان یک ابزار بالینی جانبی به رادیولوژیست ها مخصوصا رادیولوژیست های جوان و کم تجربه جهت بهبود کارایی و دقت تشخیص کمک کند و با کاهش تنوع ارزیابی بین متخصصین می تواند باعث افزایش قابلیت اطمینان تشخیص شود و در نتیجه باعث جلوگیری از بیوپسی های غیر ضروری گردد و فشار قابل توجهی را از سیستم مراقبت های بهداشتی و هزینه و اضطراب قابل توجهی را در بیماران کاهش دهد. همچنین این سیستم می تواند به عنوان یک ابزار کمک آموزشی برای دانشجویان رشته رادیولوژی و رشته های مرتبط استفاده گردد.

كلمات كليدي: یادگیری عمیق، شبکه عصبی کانولوشن، ندول تیروئید، طبقه بندی خطر، سونوگرافی