• English
    • Persian
  • Persian 
    • English
    • Persian
  • ورود
مشاهده آیتم 
  •   صفحه اصلی مخزن دانش
  • School of Management and Medical Informatics
  • theses
  • مشاهده آیتم
  •   صفحه اصلی مخزن دانش
  • School of Management and Medical Informatics
  • theses
  • مشاهده آیتم
JavaScript is disabled for your browser. Some features of this site may not work without it.

طراحی و ارزیابی سامانه تصمیم یار بالینی جهت تعیین درجه اهمیت بالینی سرطان پروستات، مبتنی بر تکنیک های یادگیری ماشین

Thumbnail
نمایش/بازکردن
Senobar_Naderian F1.pdf (1.726Mb)
تاریخ
2024/09/17
نویسنده
نادریان, صنوبر
Metadata
نمایش پرونده کامل آیتم
چکیده
تشخیص و مدیریت سرطان پروستات به شدت به ارزیابی دقیق اهمیت بالینی این بیماری بستگی دارد که اغلب از طریق ترکیبی از تصویربرداری پزشکی و آزمایش‌های پاراکلینیکی تعیین می‌شود. روش های سنتی می توانند پیچیده و ناسازگار باشند. این مطالعه با هدف توسعه و ارزیابی یک سیستم پشتیبانی تصمیم‌گیری بالینی (CDSS) که هوش مصنوعی را برای افزایش دقت تشخیص و توصیه‌های درمانی سرطان پروستات ادغام می‌کند، انجام شد. هدف: هدف اولیه طراحی و ارزیابی یک CDSS بود که از تصاویر پزشکی و داده‌های بالینی برای ارزیابی اهمیت بالینی سرطان پروستات بهره می‌برد. به طور خاص، این مطالعه به دنبال ادغام داده‌های MRI چند پارامتری (mpMRI) با نشانگرهای بالینی برای بهبود دقت تشخیصی و برنامه‌ریزی درمان به کمک یکپارچه کردن ماژولهای تشخیصی و طبقه بندی هوش مصنوعی و سیستم‌های تصمیم یار بالینی بود. روش: مطالعه در سه مرحله انجام شد. اول، جمع‌آوری و آماده‌سازی داده‌ها شامل اخذ تأییدیه اخلاقی و جمع‌آوری اطلاعات بیمار، از جمله سطوح PSA، نتایج mpMRI و نتایج بیوپسی بود. مجموعه داده جمع آوری شده شامل 356 بیمار با داده های بالینی و نتایج تصویربرداری دقیق بود. مرحله دوم بر طراحی و توسعه سیستم متمرکز بود، جایی که یک موتور استنتاج با استفاده از ماژول های هوش مصنوعی ایجاد شد. مدل ResNet50 تصاویر MRI را در نمرات PI-RADS طبقه بندی کرد و یک طبقه بندی تقویت کننده گرادیان (XGBoost) اهمیت بالینی سرطان پروستات را بر اساس این نمرات همراه با داده های بالینی پیش بینی کرد. پایگاه دانش بر اساس دستورالعمل های انجمن اروپایی اورولوژی (EAU) ساخته شده و یک رابط کاربرپسند با استفاده از کتابخانه Tkinter پایتون نیز توسعه داده شد. مرحله سوم CDSS را با مقایسه توصیه های آن با تصمیمات واقعی پزشک برای 192 بیمار ارزیابی کرد. نتایج: توصیه های CDSS که متشکل از دیتای بالینی 356 بیمار، دو ماژول هوش مصنوعی در قسمت موتور استنتاج و 45 قانون در قسمت پایگاه دانش بود، در 85.4 درصد موارد با تصمیمات پزشک همسو بود. همچنین تولید رابط کاربری سیستم، ورودی ساده داده ها و تولید توصیه‌های درمانی را امکان پذیر می کرد. کلمات کلیدی: سرطان پروستات، سیستم تصمیم یار بالینی، تصویر برداری چند پارامتری، MRI، نمره گلیسون
URI
https://dspace.tbzmed.ac.ir:443/xmlui/handle/123456789/71571
Collections
  • theses

مخزن دانش دانشگاه علوم پزشکی تبریز در نرم افزار دی اسپیس، کپی رایت 2018 ©  
تماس با ما | Send Feedback
Theme by 
Atmire NV
 

 

مرور

همه مخزنجامعه ها و مجموعه هابراساس تاریخ انتشارنویسنده هاعنوانهاموضوعاین مجموعهبراساس تاریخ انتشارنویسنده هاعنوانهاموضوع

حساب من

ورودثبت نام

مخزن دانش دانشگاه علوم پزشکی تبریز در نرم افزار دی اسپیس، کپی رایت 2018 ©  
تماس با ما | Send Feedback
Theme by 
Atmire NV