علیرضا صادقی - دانشجوی کارشناسی ارشد مهندسی مکاترونیک دانشگاه تهران
مهدیه صادقی - دانشجوی پزشکی دانشگاه پیامبر اعظم مازندران

وجود متیلاسیون پروموتر MGMT در بیماران دارای تومور بدخیم مغزی، یک عامل مطلوب برای پاسخ دهی این بیماران به شیمی درمانی به شمار می آید. تعیین وجود یا عدم وجود این توالی ژنتیکی در مغز، نیازمند عمل جراحی مغز باز می باشد که می تواند خطرات بسیاری را به همراه داشته باشد. سیستمی که بتواند به طور خودکار، وجود این توالی ژنتیکی را در مغز با استفاده از تصاویر ام آر آی شناسایی کند، نه تنها منجر به کاهش خطرات ناشی از عمل جراحی می گردد، بلکه باعث بهبود روند درمانی بیمار نیز می شود. یادگیری ماشین، به عنوان عرصه ای نوین در سال های اخیر، پیشرفت های چشمگیری در طبقه بندی تصاویر و شناسایی الگوهای خاص در آنها داشته است. این پژوهش با طراحی یک شبکه عصبی عمیق کانولوشنی سه بعدی، وضعیت متیلاسیون پروموتر MGMT را در تصاویر ام آر آی شناسایی نموده است. عملکرد این سیستم در طبقه بندی بیماران براساس تصاویر ام آر آی آنها با استفاده از معیارهای دقت، حساسیت، تشخیص پذیری و سطح زیر منحنی عملیاتی گیرنده گزارش شده است. این مقادیر عبارتند از : دقت ۱/۶۶%، حساسیت ۹۷/۷۰%، تشخیص پذیری ۷۱/۶۰%، و سطح زیر منحنی عملیاتی گیرنده ۶۲۶۲/۰. همچنین این سیستم به دلیل آنکه از تمامی اسلایدهای ام آر آی برای طبقه بندی استفاده می نماید، دارای قابلیت کاربردی بالاتری نسبت به تحقیقات مشابه، می باشد.

متیلاسیون پروموتر MGMT، شبکه عصبی، لایه کانولوشنی، تصاویر ام آر آی، تومور مغزی