بکارگیری شبکه عصبی مصنوعی در تفسیر اسکن پرفیوژن میوکارد برای تقریب نتایج اسکن با یافته های آنژیوگرافی

بکارگیری شبکه عصبی مصنوعی در تفسیر اسکن پرفیوژن میوکارد برای تقریب نتایج اسکن با یافته های آنژیوگرافی

1 شهریور 1

 در بسیاری از موارد نتایج آنژیوگرافی با آنچه قبل از انجام آن بر اساس نتایج اسکن خونرسانی قلب انتظار می رفته است تطابق ندارد. بخشی از این تفاوت مربوط به تفاوت زیر بنای این دو روش تشخیصی ( میکو واسکولار در برابر ماکرو واسکولار ) است. ما معتقدیم با استفاده از توانایی های شبکه عصبی با بکار گیری یافته های بالینی در کنار اسکن قلب می توان نتایج آنژیوگرافی را با دقت بیشتری پیش بینی نمود و فاصله این تفاوت ها را به حد اقل رسانید. مطالعه حاضر برای بررسی این فرضیه طراحی شده است روش اجرا: برای انجام این مطالعه داده های اسکن پرفیوژن قلبی استخراج می شود و بوسیله ی کدی که در محیط نرم افزار MATLAB نوشته شده است به دادهای عددی قابل آنالیز تبدیل می شود. سپس نتایج آنژیوگرافی بیماران جمع آوری شده  و توسط یکی از اساتید گروه قلب و عروق بیمارستان امام نمره ی gensini به عنوان معیاری از تنگی عروق محاسبه میشود. دیتاهای دموگرافیک و کلینیکال بیماران نیز جمع آوری شده و وارد نرم افزار SPSS می شود. برای انجام آنالیز شبکه عصبی از دیتاهای اسکن قلبی و دیتاهای دموگرافیک و کلینیکال بیماران استفاده خواهد شد تا عمکلرد این شیوه ی آنالیز در پیش بینی نتیجه ی آنژیوگرافی (نمره ی gensini) سنجیده شود. نتایج: در این مطالعه 93 بیمار که ابتدا تحت اسکن MPI قرار گرفته بودند و سپس نیز تحت آنژیوگرافی بودند وارد مطالعه شدند. میانگین سنی بیماران مورد مطالعه 61.99 با انحراف معیار 10.96 بود. گروه بیماران مورد بررسی شامل 43 (46.2%) زن و 51(54.8%) مرد بود. طبق نظر متخصص پزشک هسته ای 88(94.6%) از بیماران دارای یافته هایی به نفع ایسکمی در MPI بودند و 5 بیمار (5.4%) هم شواهدی از ایسکمی در اسکن پرفیوژن آنها مشاهده نشد. بررسی بیماران با آنژیوگرافی نشان داد که 18(19.1%) نفر از افراد مورد مطالعه عروق قلبی نرمال دارند. 19 بیمار (20.2%) مبتلا به mild CAD هستند. 9 بیمار (9.6%) انسداد در یک رگ داشتند و 14 (14.9%)    بیمار دارای انسداد در سطح 2 رگ بودند و 33 بیمار (35.2%) درگیری و انسداد در 3 رگ داشتند.  ANN حتی وقتی که نتیجه ی MPI (به صورت ایسکمی دارد یا ندارد) برای پیش بینی نتیجه ی آنژیوگرافی (نرمال و غیر نرمال) استفاده شد توانست accuracy بالاتری را در پیش بینی نتایج آنژیوگرافی بدست بیاورد که این خود می تواند بیانگر برتری این شیوه ی آنالیز بر روش های آماری رایج باشد. در قدم بعد با اضافه کردن دیتاهای ورودی ANN و دادن اطلاعات بیشتر به شکبه عصبی مصنوعی رفته رفته دقت این روش آنالیزی بیشتر شد تا جایی که توانست با accuracy 90.4% نتایج آنژیوگرافی را پیش بینی کند. متاسفانه نه آنالیزهای آماری رایج و نه ANN هیچ یک نتوانستند با دقت بالا نمره ی gensini را پیش بینی کنند. هر چند باید بر این نکته تاکید کرد که عملکرد ANN با اضافه شدن دیتاهای ورودی بهبود پیدا کرد اما در آخرین آنالیز که سن، جنس، ریسک فاکتورها، نتیجه MPI و کانت های سگمان های اسکن Bull’s eye به آن داد شد بازهم با accuracy 68.7% توانست نمره ی gensini بیماران را پیش بینی کند. باید به این نکته اشاره کرد که عملکرد ANN بهتر از روش های آماری رایج بود که accuracy 50.5% را ثبت کرده بودند. نتیجه گیری: آنالیز ANN توانست با دقت بیشتری نبست به روش های آماری رایج نتایج حاصل از آنژیوگرافی بیماران را پیش بینی کند و با اضافه کردن دیتاهای ورودی به شبکه دقت پیش بینی کنندگی شبکه افزایش یافت. هیچ یک از آنالیزهای conventional و یا ANN نتوانستند با دقت مناسبی نتایج gensini را پیش بینی کنند كليد واژه ها : : Myocardial perfusion imaging (MPI), computed tomography angiography (CTA), artificial neural network (ANN) مشخصات دانشجو:  نام: پریسا نیازی               رشته تحصيلي: پزشکی        مقطع:   عمومی                     گروه آموزشي:  پزشکی هسته ای           پست الكترونيك دانشجو: Parisa.niyazi@gmail.com اساتيد راهنما و داور: استاد راهنما: دکتر مهرشاد عباسی – دکتر رضا رحمانی   اساتيد مشاور: دکتر محمد افتخاری – دکتر رضا ملازاده – دکتر سعید فرزانه فر – دکتر علی پاشا میثمی             اساتيد داور: دکتر صالحی/دکتر وحیدفر زمان دفاع :    روز  یکشنبه تاريخ 28/6/95 ساعت 13 مكان دفاع به آدرس: ساختمان پزشکی هسته ای بیمارستان امام. طبقه اول اطلاعات به زبان انگليسي Title: Application of artificial neural network to predict the Genseni score of coronary angiography according to the findings of myocardial perfusion scan Abstract: Introduction: The purpose of this study was to apply an artificial neural network (ANN) in patients with coronary artery disease (CAD) and to characterize its diagnostic ability compared with conventional visual and quantitative methods in myocardial perfusion imaging (MPI) to predict the results of angiography. Methods: Patients who underwent both MPI and angiography were enrolled in this study. The demographic data of patients were gathered from their medical record. The results of MPI was extracted from the computers in our center and by employing a code that was written in MATLAB software, the results were transformed into numerical variables. All angiographies were performed and interpreted by a single cardiologist. Obstructed CAD was defined as the presence of one obstruction of 50% in any vessel. MPI data was categorized as with ischemia and without ischemia, and finally angiography results were categorized as normal and abnormal. Gensini score was calculated according to available guidelines. Results: A total of 93 patients who underwent both MPI and angiography were enrolled in this study. Conventional methods could predict the outcome of angiography with low accuracy (50-70%), in contrast to ANN that predicted the results with accuracy of 70-90%. Conclusion: Adding demographic and past medical history of patients as inputs to ANN, can increase the accuracy of this test and ANN can predict the results of angiography more accurately compared to conventional methods.   Keywords: Myocardial perfusion imaging (MPI), computed tomography angiography (CTA), artificial neural network (ANN)   فهرست منابع و ماخذ فارسي و لاتين: 1.         Lisboa P. A review of evidence of health benefit from artificial neural networks in medical intervention. Neural networks. 2002;15(1):11-39. 2.         Changiz G, Mohammad F, Rosita S, Mehrshad A. Prediction of conversion of laparoscopic cholecystectomy to open surgery with artificial neural networks. BMC Surgery. 2009;9. 3.         Hamilton D, Riley P, Miola U, Amro A. Identification of a hypoperfused segment in bull's-eye myocardial perfusion images using a feed forward neural network. British journal of radiology. 1995;68(815):1208-11. 4.         Porenta G, Dorffner G, Kundrat S, Petta P, Duit-Schedlmayer J, Sochor H. Automated interpretation of planar thallium-201-dipyridamole stress-redistribution scintigrams using artificial neural networks. Journal of nuclear medicine: official publication, Society of Nuclear Medicine. 1994;35(12):2041. 5.         Gjertsson P, Johansson L, Lomsky M, Ohlsson M, Underwood SR, Edenbrandt L. Clinical data do not improve artificial neural network interpretation of myocardial perfusion scintigraphy. Clinical physiology and functional imaging. 2011;31(3):240-5. 6.         Lindahl D, Palmer J, Edenbrandt L. Myocardial SPET: artificial neural networks describe extent and severity of perfusion defects. Clinical Physiology. 1999;19(6):497-503. 7.         Lindahl D, Palmer J, Ohlsson M, Peterson C, Lundin A, Edenbrandt L. Automated interpretation of myocardial SPECT perfusion images using artificial neural networks. Journal of Nuclear Medicine. 1997;38(12):1870-4. 8.         Tägil K, Marving J, Lomsky M, Hesse B, Edenbrandt L. Use of neural networks to improve quality control of interpretations in myocardial perfusion imaging. The International Journal of Cardiovascular Imaging (formerly Cardiac Imaging). 2008;24(8):841-8. 9.         Gjertsson P, Lomsky M, Richter J, Ohlsson M, Tout D, Van Aswegen A, et al. The added value of ECG‐gating for the diagnosis of myocardial infarction using myocardial perfusion scintigraphy and artificial neural networks. Clinical physiology and functional imaging. 2006;26(5):301-4. 10.       Tägil K, Richard Underwood S, Davies G, Latus KA, Ohlsson M, Götborg CW, et al. Patient gender and radiopharmaceutical tracer is of minor importance for the interpretation of myocardial perfusion images using an artificial neural network. Clinical physiology and functional imaging. 2006;26(3):146-50. 11.       Stefaniak B, Cholewinski W, Tarkowska A. Prediction of left ventricular ejection fraction in patients with coronary artery disease based on an analysis of perfusion patterns at rest. Assessment by an artificial neural network. Nucl Med Rev Cent East Eur. 2004;7:7-12. 12.       Lindahl D, Toft J, Hesse B, Palmer J, Ali S, Lundin A, et al. Scandinavian test of artificial neural network for classification of myocardial perfusion images. Clinical Physiology. 2000;20(4):253-61. 13.       Ohlsson M. WeAidU-a decision support system for myocardial perfusion images using artificial neural networks. Artificial intelligence in medicine. 2004;30(1):49-60. 14.       Guner LA, Karabacak NI, Akdemir OU, Karagoz PS, Kocaman SA, Cengel A, et al. An open-source framework of neural networks for diagnosis of coronary artery disease from myocardial perfusion SPECT. Journal of Nuclear Cardiology. 2010;17(3):405-13. 15.       Gjertsson P, Johansson L, Lomsky M, Ohlsson M, Underwood SR, Edenbrandt L. Clinical data do not improve artificial neural network interpretation of myocardial perfusion scintigraphy. Clin Physiol Funct Imaging. 2011;31(3):240-5.

نظرات

نظر

captcha

لیست نظرات

5/5 0 0 0