کاربرد رادیومیکس در پرتو درمانی، چالش ‌های آن و چشم‌ اندازهای پیشِ‌رو

Abstract

سابقه و هدف: درمان اختصاصی هر بیمار بر پایه داده ‌های بالینی‌‌اش، از دورنماهای پزشکی آینده است. بکارگیری روش ‌های داده ‌کاوی و یادگیری ماشین با علوم رایانه در استخراج ویژگی‌های کمّی تصویر برای بهبود فرآیند تشخیص، پیش ‌آگهی، پیش ‌بینی و پاسخ به درمان سرطان‌ها با واژه رادیومیکس شناخته می‌شود. در این مقاله به بررسی گردش ‌کار، یافته ‌های به دست آمده، چالش‌ های پیشِ‌رو و نقش رادیومیکس به سوی پزشکی دقیق و درمان شخصی، ‌پرداخته می‌شود. مواد و روش ­ها: در این مطالعه مروری، نمایه ‌های شناخته شده‌ ISC، web of science، Google Scholar، Scopus،PubMed بدون کرانه زمانی و با واژه ‌های کلیدی رادیومیکس، پرتو درمانی، سرطان و تصویربرداری کمّی جستجو و نوشتار وابسته گردآوری گردید. یافته‌ها: رادیومیکس آمیزه‌ای از تشخیص روزمره به کمک رایانه، روش ‌های یادگیری ماشین، عمیق و مهارت ‌های انسانی است که می ‌توان آن را برای توصیف کمّی فنوتیپ‌ های توده ‌های سرطانی به کار برد. گردآوری و پیش‌ پردازش تصویر، قطعه‌ بندی توده، استخراج ویژگی ‌ها، پردازش و الگوسازی، چند گام بنیادی فرآیند رادیومیکس هستند. برش ‌نگاری رایانه‌ای (CT)، تصویربرداری تشدید مغناطیسی (MRI) و برش ‌نگاری گسیل پوزیترون (PET) و روش ‌های فرا صوت (US)، تصویرهای به کارگیری شده می ‌باشند. نتیجه‌گیری: بر اساس نتایج این مطالعه پیش نیاز اجرای بالینیِ رادیومیکس از بین بردن نارسایی ‌هایی همانند، وابستگی ویژگی ‌ها به پارامترهای تصویربرداری، تکرار ناپذیری ویژگی ‌ها می باشد. بنابراین ‌بایستی روش فراگیری پایه ‌گذاری شود و الگو هایی پایدار و بازتولید شونده‌ای درست شوند تا رادیومیکس را به عنوان یک ابزار پیش ‌آگهی بالینی بپذیرند.