[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
برای داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
بانک ها و نمایه نامه ها::
فرم پیش نیاز ارسال مقاله::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
بانک ها و نمایه ها
DOAJ
GOOGLE SCHOLAR
..
:: دوره 29، شماره 3 - ( 2-1403 ) ::
جلد 29 شماره 3 صفحات 385-365 برگشت به فهرست نسخه ها
طبقه‌بندی خودکار BI-RADS در گزارش‌های ماموگرافی با استفاده از تلفیق‌داده
محمد ذهابی1 ، محمد ابراهیم شیری 2، حمید حاج سید جوادی3 ، مصطفی برومندزاده4
1- گروه مهندسی کامپیوتر، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران
2- گروه ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران ، shiri@aut.ac.ir
3- گروه ریاضی و علوم کامپیوتر، دانشگاه شاهد، تهران، ایران
4- گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، تهران، ایران
چکیده:   (716 مشاهده)
زمینه و هدف: سرطان پستان یکی از شایعترین سرطان‌ها در زنان و عامل اصلی مرگ و میر در بیماری‌های سرطانی است و ماموگرافی روش تصویربرداری اولیه برای تشخیص زودهنگام توده‌های پستان است. تشخیص سریع با دقت بالا یکی از دغدغه‌های جدی پزشکان و مراکز بهداشتی درمانی در مواجهه با بیماری‌های خاص است، لذا هدف از این مقاله تعیین و طبقه‌بندی خودکار BI-RADS در گزارش‌های ماموگرافی با استفاده از تلفیق داده بود.

روش بررسی: این یک مطالعه توصیفی ـ تحلیلی و گذشته نگر می‌باشد که در سال 1402 انجام شد، گزارش ماموگرافی و پرونده الکترونیکی بیمار که به ترتیب از سیستم بایگانی و ارتباط تصویر و سوابق بیمار استخراج شدند، از اطلاعات موجود در مرکز آموزشی درمانی بیمارستان شهیدزاده شهرستان بهبهان به دست آمده است که شامل گزارش ماموگرافی و پرونده الکترونیکی 250 بیمار است که اطلاعات کامل داشتند. برای مدل‌سازی روش پیشنهادی با استفاده از داده‌های جمع آوری شده، از نرم افزار پایتون در محیط ویژوال استودیو کد استفاده شده است. در نهایت از صحت‌سنجی‌متقاطع برای ارزیابی کیفیت و اعتبار نتایج استفاده شد.

یافته‌ها: نتایج  نشان داد رویکرد پیشنهادی یعنی استفاده از تکنیک تبدیل کلمه به بردار به همراه روش فراوانی وزنی کلمات کلیدی و تلفیق آن‌ها با HIS تأثیر قابل‌ توجهی بر دقت طبقه‌بندی متون پزشکی دارد. برای طبقه‌بندی سطح سیستم گزارش و داده تصویربرداری پستان  (BI-RADS) از بردارهای خروجی تکنیک تبدیل کلمه به بردار در زمانی که از روش فراوانی وزنی کلمات کلیدی استفاده می‌شود و یا بدون استفاده از روش فراوانی وزنی کلمات کلیدی و هم‌چنین با تلفیق HIS و نیز بدون HIS برای طبقه‌بندی‌ کننده‌های شبکه عصبی پیچشی، پرسپترون چندلایه، درخت تصمیم و kـ نزدیک‌ترین همسایه استفاده شد و نتایج به وسیله معیارهای ارزیابی دقت، ویژگی، حساسیت، ارزش پیش‌بینی شده مثبت، ارزش پیش‌بینی شده منفی و امتیاز f1 با هم مقایسه شدند. نتایج نشان می‌دهد که بهترین دقت در روش پیشنهادی با طبقه‌بندی ‌کننده پرسپترون چندلایه برابر با 74/98 درصد می‌باشد، اما بدون HIS دقت همین طبقه‌بندی‌ کننده برابر با 23/92 درصد به دست آمد.

نتیجه‌گیری: ترکیب تکنیک تبدیل کلمه به بردار با روش فراوانی وزنی کلمات کلیدی می‌تواند دقت طبقه‌بندی متن را افزایش دهد، اما سابقه پزشکی که در تشخیص بیماری مهم است، می‌تواند دقت را بهبود ببخشد. نتایج نشان می‌دهد نباید صرفاً بر روی بررسی‌های پزشکی تمرکز کرد و از سایر اطلاعات بالینی و سابقه بیماران نیز باید استفاده کرد. بنابراین استفاده از HIS در کنار گزارش‌های پزشکی می‌تواند طبقه‌بندی سیستم گزارش و داده تصویربرداری پستان را بهبود ببخشد و تأثیر مثبتی بر تشخیص و فرآیندهای درمانی داشته باشد.

 
واژه‌های کلیدی: طبقه‌بندی متون پزشکی، سرطان پستان، استخراج ویژگی، سیستم گزارش و داده تصویربرداری پستان، سیستم اطلاعات بیمارستان
متن کامل [PDF 1114 kb]   (127 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: عمومى
دریافت: 1402/8/17 | پذیرش: 1402/12/7 | انتشار: 1403/2/31
فهرست منابع
1. Redaniel MT, Martin RM, Ridd MJ, Wade J, Jeffreys M. Diagnostic intervals and its association with breast, prostate, lung and colorectal cancer survival in England: historical cohort study using the Clinical Practice Research Datalink. PLoS ONE 2015; 1(5): e0126608.## [DOI:10.1371/journal.pone.0126608] [PMID] []
2. Castro SM, Tseytlin E, Medvedeva O, Mitchell K, Visweswaran S, Bekhuis T, et al. Automated annotation and classification of BI-RADS assessment from radiology reports. Journal of Biomedical Informatics. 2017; 69: 177-87. ## [DOI:10.1016/j.jbi.2017.04.011] [PMID] []
3. Mendonca SC, Abel GA, Saunders CL, Wardle J, Lyratzopoulos G. Pre‐referral general practitioner consultations and subsequent experience of cancer care: evidence from the english cancer patient experience survey. European Journal of Cancer Care 2016; 25(3): 478-90. ## [DOI:10.1111/ecc.12353] [PMID] []
4. Gao F, Yoon H, Wu T, Chu X. A feature transfer enabled multi-task deep learning model on medical imaging. Expert Systems with Applications 2020; 143: 112957. ## [DOI:10.1016/j.eswa.2019.112957]
5. Gong J, Bai X, Li D-a, Zhao J, Li X. Prognosis Analysis of Heart Failure Based on Recurrent Attention Model. Innovation and Research in BioMedical engineering (IRBM) 2019; 41(2): 71-9. ## [DOI:10.1016/j.irbm.2019.08.002]
6. Yang M, Kiang M, Shang W. Filtering big data from social media-Building an early warning system for adverse drug reactions. Journal of biomedical informatics. 2015; 54: 230-40. ## [DOI:10.1016/j.jbi.2015.01.011] [PMID]
7. Genes N, Chandra D, Ellis S, Baumlin K. Validating emergency department vital signs using a data quality engine for data warehouse. The Open Medical Informatics Journal 2013; 7: 34-9. ## [DOI:10.2174/1874431101307010034] [PMID] []
8. Sun P, Wang L, Xia Q. The Keyword Extraction of Chinese Medical Web Page Based on WF-TF-IDF Algorithm. International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery (CyberC). IEEE 2017; 193-198. ## [DOI:10.1109/CyberC.2017.40]
9. Dreisbach C, Koleck TA, Bourne PE, Bakken S. A systematic review of natural language processing and text mining of symptoms from electronic patient-authored text data. International Journal of Medical Informatics 2019; 125: 37-46. ## [DOI:10.1016/j.ijmedinf.2019.02.008] [PMID] []
10. Ding X, Zhang X. Research on text structuralization in medical field. 2nd International Conference on Cloud Computing and Internet of Things (CCIOT): IEEE; 2016; 155-61. ##
11. Nii M, Tuchida Y, Iwamoto T, Uchinuno A, Sakashita R. Nursing-care text evaluation using word vector representations realized by word2vec. International Conference on Fuzzy Systems (FUZZ-IEEE); 2016: IEEE; 2165-2169. ## [DOI:10.1109/FUZZ-IEEE.2016.7737960]
12. Narváez F, Díaz G, Poveda C, Romero E. An automatic BI-RADS description of mammographic masses by fusing multiresolution features. Expert Systems with Applications 2017; 74: 82-95. ## [DOI:10.1016/j.eswa.2016.11.031]
13. Østerås BH, Martinsen ACT, Brandal SHB, Chaudhry KN, Eben E, Haakenaasen U, et al. BI-RADS density classification from areometric and volumetric automatic breast density measurements. Academic Radiology 2016; 23(4): 468-78. ## [DOI:10.1016/j.acra.2015.12.016] [PMID]
14. Diab DM, El Hindi KM. Using differential evolution for fine tuning naïve Bayesian classifiers and its application for text classification. Applied Soft Computing 2017; 54: 183-99. ## [DOI:10.1016/j.asoc.2016.12.043]
15. de Lima SML, da Silva-Filho AG, Dos Santos WP. Detection and classification of masses in mammographic images in a multi-kernel approach. Computer Methods and Programs in Biomedicine 2016; 134: 11-29. ## [DOI:10.1016/j.cmpb.2016.04.029] [PMID]
16. Moayedi F, Azimifar Z, Boostani R, Katebi S. Contourlet-based mammography mass classification using the SVM family. Computers in Biology and Medicine 2010; 40(4): 373-83. ## [DOI:10.1016/j.compbiomed.2009.12.006] [PMID]
17. Eltoukhy MM, Faye I, Samir BB. A statistical based feature extraction method for breast cancer diagnosis in digital mammogram using multiresolution representation. Computers in Biology and Medicine 2012; 42(1): 123-8. ## [DOI:10.1016/j.compbiomed.2011.10.016] [PMID]
18. Reyad YA, Berbar MA, Hussain M. Comparison of Statistical, LBP, and Multi-Resolution Analysis Features for Breast Mass Classification. Journal of medical systems 2014; 38: 100. ## [DOI:10.1007/s10916-014-0100-7] [PMID]
19. Isfahani P, Hossieni Zare SM, Shamsaii M. The Prevalence of Depression in Iranian Women With Breast Cancer: A Meta-Analysis. Journal of Internal Medicine Today 2020; 26(2): 170-181. ## [DOI:10.1155/2020/5871402] [PMID] []
20. Bouvry C, Tvardik N, Kergourlay I, Bittar A, Arnod-Prin P, Segond F, et al. The SYNODOS Project: System for the Normalization and Organization of Textual Medical Data for Observation in Healthcare. Innovation and Research in BioMedical engineering (IRBM) 2016; 37(2): 109-15. ## [DOI:10.1016/j.irbm.2016.03.002]
21. Yang L, Liu B, Lin H, Lin Y. Combining local and global information for product feature extraction in opinion documents. Information Processing Letters 2016; 116(10): 623-7. ## [DOI:10.1016/j.ipl.2016.04.009]
22. Kim D, Seo D, Cho S, Kang P. Multi-co-training for document classification using various document representations: TF-IDF, LDA, and Doc2Vec. Information Sciences 2019; 477: 15-29. ## [DOI:10.1016/j.ins.2018.10.006]
23. Kalchbrenner N, Grefenstette E, Blunsom P. A Convolutional Neural Network for Modelling Sentences. arXiv:1404.2188 2014; 655-65. ## [DOI:10.3115/v1/P14-1062]
24. Jais IKM, Ismail AR, Nisa SQ. Adam optimization algorithm for wide and deep neural network. Knowledge Engineering and Data Science 2019; 2(1): 41-6. ## [DOI:10.17977/um018v2i12019p41-46]
25. Tharwat A. Classification assessment methods. Applied Computing and Informatics 2020; 17(1): 168-92. ## [DOI:10.1016/j.aci.2018.08.003]
26. Pennington J, Socher R, Manning CD. Glove: Global vectors for word representation. Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP) 2014; 1532-1543. ## [DOI:10.3115/v1/D14-1162]
27. Balakumar P, Maung-U K, Jagadeesh G. Prevalence and prevention of cardiovascular disease and diabetes mellitus. Pharmacological Research 2016; 113: 600-9. ## [DOI:10.1016/j.phrs.2016.09.040] [PMID]
28. Bray F, Ferlay J, Soerjomataram I, Siegel RL, Torre LA, Jemal A. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: a cancer journal for clinicians 2018; 68(6): 394-424. ## [DOI:10.3322/caac.21492] [PMID]
29. Siu AL, US Preventive Services Task Force. Screening for Breast Cancer: U.S. Preventive Services Task Force Recommendation Statement. Annals of Internal Medicine 2016; 164(4): 279-96. ## [DOI:10.7326/M15-2886] [PMID]
30. Shahmoradi L, Farzanehnejad AR. Guideline-based clinical decision support systems as an inseparable tool for better cancer care management. Iranian journal of public health 2016; 45(7): 962. ##
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Zahabi M, Shiri M, Haj Seyed Javadi H, Broumandzadeh M. Automatic Classification of BI-RADS in Mammography Reports Using Data Fusion. armaghanj 2024; 29 (3) :365-385
URL: http://armaghanj.yums.ac.ir/article-1-3554-fa.html

ذهابی محمد، شیری محمد ابراهیم، حاج سید جوادی حمید، برومندزاده مصطفی. طبقه‌بندی خودکار BI-RADS در گزارش‌های ماموگرافی با استفاده از تلفیق‌داده. ارمغان دانش. 1403; 29 (3) :365-385

URL: http://armaghanj.yums.ac.ir/article-1-3554-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 29، شماره 3 - ( 2-1403 ) برگشت به فهرست نسخه ها
ارمغان دانش Armaghane Danesh
Persian site map - English site map - Created in 0.06 seconds with 39 queries by YEKTAWEB 4660