شبیه سازی یک مدل ترکیبی به کمک الگوریتم ژنتیک و شبکه عصبی مصنوعی برای پیش بینی التهاب ریه در رادیوتراپی پستان

Transcription

1 تحقیقی مقاله مجلة دانشگاه علوم پزشكي بابل دوره شانزدهم شمارة دی 2 صفحه شبیه سازی یک مدل ترکیبی به کمک الگوریتم ژنتیک و شبکه عصبی مصنوعی برای پیش بینی التهاب ریه در رادیوتراپی پستان 3 *2 علی اسماعیلی دافچاهی( MSc ) مجید پوالدیان( PhD ) علی شبستانی منفرد( PhD ) سیدربیع مهدوی( PhD ) 4 داریوش مسلمی( MD ) - گروه مهندسي پرتو پزشكي دانشگاه علوم تحقیقات تهران 2- بخش فیزیک رادیوتراپي بیمارستان شهید رجایي بابلسر - گروه فیزیک پزشكي دانشگاه علوم پزشكي ایران - گروه رادیولوژی و رادیوتراپي دانشگاه علوم پزشكي بابل دریافت: /2/22 اصالح: 2/2/ پذیرش: 2/4/ خالصه سابقه و هدف: سمیت ریه مرتبط با رادیوتراپي قفسه سینه تقریبا در %- بیماراني که رادیوتراپي قفسه سینه انجام مي دهند اتفاق مي افتد بررای درداقل رسراندن آن الزم است تا ارتباط بین خطر التهاب ریه القا تابشي و پارامتر های درمان همانند فاکتور دزیمتری فاکتورهای بیولوژیكي و آزمایشهای عملكردی ریه درک شرود. از ایرن رو شبكه عصبي مصنوعي فید-فوروارد همراه با الگوریتم ژنتیک برای پیش بیني وقوع التهاب ریه با درجه باالتر بررسي شد. مواد و روشها: در این مطالعه آماری و شبیه سازی یک شبكه عصبي غیر خطي همراه با الگوریتم ژنتیک برای پیش بیني التهاب ریه ناشي از درمران رادیروتراپي خرارجي پستان توسعه داده شد. شبكه عصبي شامل یک الیه ورودی یک الیه میاني با هفت گره و الیه خروجي با یک گره مي باشرد. االععرات ورودی شربكه عصربي شرامل 5 متغیر وابسته به دز بدست آمده از الرادي درمان و 4 متغیر مستقل از دز همانند شیمي درماني سن بیمار وجود و یا عدم وجود جرادي مكران تومرور در سرمت راسرت و یرا چپ تعداد میدانهای تابش درجه تومور و فاکتورهای هورموني مي باشد. این االععات از 55 بیماری که به علت سرالان پستان برا رادیروتراپي خرارجي درمران مري شردند بدست آمده است. 4 بیمار التهاب ریه باالتر از داشتند. برای استخراج موثرترین ترکیب ورودی ها از روش الگوریتم ژنتیک اسرتفاده شرد. اهمیرت هرر ترکیرب ورودی برا الگوریتم ژنتیک با گره های میاني مختلف ارزیابي شد. برای ارزیابي کارآیي شبكه عصبي کامل و ترکیبي با الگوریتم ژنتیک از میزان دقت دساسیت و ویژگري تشخیصري و منحني های ROC استفاده شده است. یافته ها: برای شبكه بهینه شده ترکیبي با قالب های ورودی که از متغیر های وابسته و مستقل از دز ساخته شده است نادیه زیر منحني مشخصات عملكردی دریافت کننده (ROC) برای آزمایش متعامد برای مدل های کامل و ترکیبي به ترتیب %48 و % مي باشد. دساسیت ویژگي و دقت %55 % و %7 برای مدل کامل و %7 %5 و %44 برای مدل ترکیبي مي باشند. نتیجه گیری: شبكه عصبي مصنوعي نشان داده شده است که برای آموزش رابطه پیچیده بین پارامتر های درمان و خروجي که اگر بیشتر توسعه داده شود مي تواند بک وسیله سودمندی در پیش بیني خروجي های بیولوژیكي بكار گرفته شود. الگوریتم ژنتیک روش سریع و قابل االمیناني برای انتخاب فاکتورهای مهم در تحلیل مطالعات کلینیكي بزرگ مي باشد. همانطور که از نتایج مشخص مي باشد مدل ترکیبي شبكه عصبي همراه با الگوریتم ژنتیک روش کاراتری نسبت به مدل کامل شبكه عصبي در پیش بیني التهاب ریه مي باشد. واژه های کلیدی: رادیوتراپی الگوریتم ژنتیک شبکه عصبی مصنوعی التهاب ریه. مقدمه آسیب ریه ناشي از تابش یک واقعه شناخته شده پس از رادیوتراپي برای تومورهای مختلف در داخل و االراف قفسه سینه مي باشد که نوعا" در دو فاز کلینیكي مجزا )فیبروز و التهاب ریه( اتفاق مي افتد ) 2 و (. التهاب ریه ناشي از تابش RP) (Radiation Pneumonitis, 8 تا 2 هفته پس از اتمام * این مقاله داصل پایان نامه دانشجو علي اسماعیلي دافچاهي دانشجوی دکترای تخصصي مهندسي پرتوپزشكي دانشگاه علوم تحقیقات تهران مي باشد. مسئول مقاله: آدرس: بابل دانشگاه علوم پزشكي گروه بیوشیمي و بیوفیزیک تلفن: -2 monfared_ali@yahoo.com

2 مجله دانشگاه علوم پزشكي بابل دوره شانزدهم/ شماره / دی 2 شبیه سازی یک مدل ترکیبي به کمک الگوریتم ژنتیک علي اسماعیلي دافچاهي و همكاران 87 رادیوتراپي اتفاق مي افتد و مي تواند به شكل کلینكي پنهان بماند اگرچه بعضي از بیماران ممكن است سرفه تب نارادتي در قفسه سینه و تنگي نفس داشته باشند. این تغییرات ممكن است کم کم کاهش یابد و از بین بروند و یا اینكه به جای آن فیبروز شكل بگیرد. فیبروز ریوی یک آسیب تاخیری مي باشد و علت شكل گیری آن به فاکتورهای بسیاری همانند دجم ریه تابش دیده دز تابشي درمان تقطیعي و همراه بودن رادیوتراپي با شیمي درماني بستگي دارد ) 8 و (. RP یكي از مهمترین سمیت های محدود کننده های دز در رادیوتراپي قفس سینه مي باشد ) 5 و ( که تقریبا در %- بیماراني که رادیوتراپي قفسه سینه انجام مي دهند اتفاق مي افتد. برای دداقل رساندن سمیت ریه مرتبط با رادیوتراپي قفسه سینه الزم است تا ارتباط بین خطر التهاب ریه القا تابشي و پارامترهای درمان همانند فاکتور دزیمتری فاکتورهای بیولوژیكي و آزمایشهای عملكردی ریه درک شود. مطالعات بسیاری در مورد همبستگي فاکتورهای دزیمتری و شیوع RP انجام شده است )5-4(. این مطالعات پیشنهاد مي کنند که ممكن است به V 20 RP )دجمي از ریه که دز باالتر از Gy 2 دریافت مي کند( ) و و 7 و 5 ( دز متوسط ریه ) و 2 و و 4 ( V 30 ) 8- و 2 ( V 5 )8( و بستگي داشته باشد )4(. نشان داده شده است که فاکتورهای غیر V 40 دوزیمتری )همانند سن مكان لب تومور و غیره( نیز در وقوع RP نقش دارند )-2(. بیشتر این مطالعات روی ارتباط یک متغیری متمرکز مي باشد در دالیكه امكان دارد ارتباط خیلي بیشتری با ترکیب متغیر های ترکیبي در یک مدل پیش بیني کننده بدست آید. در مجموع بیشتر این مطالعات ادتمال عارضه بافت سالم NTCP) (Normal Tissue Complication Probability, را تنها بر اساس فاکتورهای دزیمتری مدل کردند. Seppenwoolde و همكارانش یک رابطه سیگموئید بین ادتمال عارضه و دز متوسط ریه در مدل NTCP لیمن (Lyman) فرض کردند. این مدل ها ممكن نیست برای مدل کردن آسیب ریوی ایده آل باشند در دالیكه آنها فرض کرده اند که پاسخ تابش تنها به دز بستگي دارد )4(. فاکتورهای غیر دزی ممكن است نقش مهمي در القا و دتي افزایش آسیب ریوی ایجاد کند. دارو های شیمي درماني آسیب ریوی را افزایش مي دهند )(. برای در نظر گرفتن تداخل بین فاکتور های دزی و غیر دزی بیمار الزامي است که یک مدل قدرتمند برای پیش بیني شیوع RP مورد نیاز باشد. مطالعاتي در مورد پیش بیني التهاب ریه به کمک شبكه های عصبي صورت گرفرت )2-2(. در ایرن تحقیقرات از االععرات فیزیكري و بیولروژیكي پریش رادیوتراپي و دزیمتری برای پیش بیني نشانه آسیب ریوی استفاده کردند. خروجي برای پیش بیني ادتمال اینكه یک بیمار خاص نشانه دار خواهد شد یا نه یک تک مقدار بود. مدل ترکیبي الرادي شده با الگوریتم ژنتیک و شبكه عصربي مصرنوعي قادر است برخعف مطالعات پیشین میزان تاثیر متغیر هرای مسرتقل را برر متغیرر وابسته مشخص نماید و پارامتر های بهینه را که تاثیر بیشرتری در تشرخیص نروع ضایعه دارند مشخص نماید. دضور پارامترهای بري معنري و کرم اثرر در ماالهرای آموزش شبكه قابلیت تعمیم شبكه را کاهش داده و باعر مري شروند کره شربكه عصبي روی نمونه های آزمون بخوبي عمرل نكررده دقرت دساسریت و ویژگري تشخیصي آن کاهش یابد. Gayou و همكارانش برای اینكه نمونه کوچكي از تمام ترکیبات ادتمرالي متغیره ا به اال عع ات بی م ار تن ظری م شرود یرک ا لگرور یت م ژ نتیرک را تو سرعه داد نر د. مدل های جدید از بهترین مدل از الریق عملیات جهش گرفته مي شردند. پروسره تا زمانیكه نمونه به ترکیب فاکتورهایي که بهتررین پریش بینري را بررای خروجري داشته باشند تكرار مي شد. الگوریتم ژنتیک روی سری االععات که در مورد شیوع آسرریب ریرره در بیمرراران,NSCLC) کرررره بررررا ( None-Small Cell Lung Cancer (3-Dementional Conventional 3DCRT) Radiotherapy, درمان مي شدند تسرت شرد )28(. از ایرن رو شبكه عصبي مصنوعي فید- فوروارد همراه با الگوریتم ژنتیرک بررای پریش بینري وقوع التهاب ریه با درجه بررسي شد. شد. در این مطالعه از یک مدل پیش بیني کننده شبكه عصبي فید فوروارد همراه با الگوریتم ژنتیک استفاده شد. شبكه های عصبي بر خعف مدل های ساده تر پتانسیل مدل کردن بر همكنش بین متغیرها را با کمک یک رابطه غیر خطي منعطف دارند. شبكه عصبي از االععات 55 بیمار با سرالان پستان که رادیوتراپي مي شدند تهیه شد. ترکیبات ورودی شبكه عصبي از متغیر های وابسته و مستقل از دز انتخاب و از روش جک نایف (Jackknife) برای آموزش و تست استفاده مواد و روشها متغیرهای بیمار: در این مطالعه آماری و شبیه سازی االععات از 55 بیماری که سرالان پستان داشتند و توسط رادیوتراپي بیم خارجي با انرژی MV 5 در مرکز رادیوتراپي شهید رجایي بابلسر درمان شدند جمع آوری شده است. محدوده سني بیماران بین 7 تا 52 سال با میانگین 85/5±8/7 سال مي باشد. از این بیماران 4 مورد RP درجه که نشانه آن سرفه خشک و تنگي نفس مي باشد تشخیص داده شد. بیماران با رایوتراپي استاندارد سه بعدی با دز متوسط 2 Gy( Gy در هر جلسه( و یک بار رادیوتراپي در روز درمان شدند. RP بعد از گذشت -8 هفته پس از شروع درمان پي گیری شد. ورودی های شبكه عصبي از 7 متغیرهای وابسته و مستقل از دز انتخاب شده است. متغیرهای غیر دوزیمتری شامل: سن جرادي )ماستكتومي/ لمپكتومي( یا عدم جرادي مكان تومور )سمت راست یا چپ( تعداد میدانهای تابش درجه تومور (Estrogen ER) Receptor, و PR) (Progesterone Receptor, مي باشد. متغیر های وابسته به دز شامل هیستوگرام دز دجمي (Dose-Volume DVH) Histogram, )درصدی از ریه که دز باالی بین رنج 5 تا 5 گری با افزایش 2 گری دریافت کردند( دز متوسط قلبي 7 مورد دزهای یكنواخت معادل ریه geud( )generalized Equivalent Uniform Dose, که به شكل زیر محاسبه شد: V i که دجمي از ریه مي باشد که دز a دریافت کرده است. برای نمای D i در رنج بین /8 تا 8 با افزایش /. توجه شود که برای =a geud معادل دز متوسط ریه مي باشد. کدگذاری پارامترهای دوزیمتری DVH و geud بر اساس االععات استخراج شده از سیستم الرادي درمان ( System, Treatment Planning )TPS مي باشد که برای درصدی از ریه که دز باالی بین رنج 5 تا 5 گری با افزایش 2 گری دریافت کردند 24 پارامتر بدست آمد که برای کد گذاری درصدی

3 87 J Babol Univ Med Sci; 6(); Jan 204 A Genetic Algorithm and Neural Network Hybrid Model ; A.D. Esmaeeli, et al از دجم ریه در نظر گرفته شد. در مورد geud اعداد بدست آمده به عنوان کد در نظر گرفته شد که البته در برنامه شبكه عصبي این اعداد بدست آمده نرمالیزه مي شوند )جدول (. کد میزان سن ( سال( 2 جدول : نحوه کد گذاری پارامترها یافته ها نداشته داشته نداشته لمپكتومي ماستكتومي راست چپ 2 I II III - 2 پارامترهای درمان برنامه شیمي درماني جرادي مكان تومور در الرف پستان تعداد میدانهای تابش درجه تومور ER PR شبکه عصبی مصنوعی: در این تحقیق از یک شبكه الیه پیش خور با تابع فعالیت سیگموئید در الیه میاني و الیه خروجي و تابع خطي برای الیه ورودی استفاده شد. تعداد نرونهای الیه ورودی این شبكه در ابتدا )مدل کامل( 7 نرون در نظر گرفته شد. الیه میاني این شبكه برای انتخاب بهترین ساختار از نرون تا نرون ) 2 و 28 و - ( تغییر داده شد تا با توجه به بهترین نتایج بدست آمده تعداد نرونهای الیه میاني انتخاب شوند. در این کار برای آموزش شبكه از نوع خاصي از الگوریتم پس انتشار خطا استفاده شد. در این روش ماتریس های وزني شبكه به گونه ای تغییر مي یابند تا مقدار متوسط مربعات خطای انتشار MSE) (Mean Squared Error, از مقدار خاصي که در برنامه مشخص مي شود )/2( کمتر شود. خروجي مطلوب شبكه در واقع همان دنبال کردن وضعیت دال بیماران مي باشد که به عنوان Gold Standard در نظر گرفته مي شود. در این روش خطا به روش خاص الیه به الیه به عقب برگشت داده شد و در هر الیه اصعدات الزم روی وزن ها انجام گرفت. این روند آنقدر ادامه یافت تا خطای خروجي کل به سمت مقدار کمینه ای به نام Error Goal همگرا شود و یا تعداد دفعات تكرار با تعداد دفعات دداکار از قبل تعیین شده برابر شود. این مقادیر باید الوری تعیین شوند که از یادگیری بیش از اندازه شبكه جلوگیری شود. تعداد دفعات تكرار در این پروژه بار در نظر گرفته شده است و مقدار Error Goal نیز برابر پارامتر های ورودی به عنوان تعداد نرونهای الیه ورودی از 7 نرون به عنوان تعداد نرونهای الیه میاني و یک نرون نیز به عنوان الیه خروجي در نظر گرفته شد. این تعداد نرونها را به همراه پارامترهای دیگر شبكه از قبیل دفعات تكرار و Error Goal ثابت نگه داشته شد و ضریب یادگیری را از / تا تغییر داده و هر بار شبكه را آموزش داده و مقدار MSE در هر مردله مشخص گردید. به این ترتیب نرخ یادگیری که منجر به دداقل MSE مي شود ددود /2 بدست آمد. شکل : نمایش ساختار مدل کامل شبکه عصبی انتخاب پارامتر های بهینه: در این تحقیق از یک الگوریتم ژنتیک ساده توام با شبكه عصبي مصنوعي برای انتخاب پارامتر های بهینه استفاده شد )شكل 2(. ابتدا یک بردار دو دویي با الول 7 )به تعداد پارامترها( بصورت تصادفي تولید شد و هر کدام از بیت های این رشته دو دویي متناظر با یک پارامتر در ماتریس آموزش شبكه مي باشد. اگر بیت متناظر با هر پارامتر صفر باشد آن پارامتر دذف شده و اگر یک باشد آن پارامتر دذف نشده و در آموزش شبكه دخالت داده مي شود. در اجرای الگوریتم ژنتیک دداکار تعداد نسلها نسل تنظیم شد. سایر پارامتر های الگوریتم ژنتیک نیز با سعي و خطا برای بهترین دالت تنظیم شدند. تعداد نسلها: اندازه جمعیت: ادتمال تقاالع: /4 ادتمال جهش: / نوع تقاالع: دو نقطه ای نوع انتخاب: چرخش رولت التیسم: 2. در نظر گرفته شد. شکل 2: مدل ترکیبی الگوریتم ژنتیک با شبکه عصبی مصنوعی /2 تعیین شده است )شكل (. برای بهینه سازی ضریب یادگیری تعداد کل

4 مجله دانشگاه علوم پزشكي بابل دوره شانزدهم/ شماره / دی 2 شبیه سازی یک مدل ترکیبي به کمک الگوریتم ژنتیک علي اسماعیلي دافچاهي و همكاران 78 نحوه ارزیابی مدل: معموال سری االععات به سری آموزش و تست به شكل تصادفي تقسیم شده و سپس عملكرد شبكه با سری اعتبار سازی ارزیابي مي گردد. انتخاب نهایي شبكه آني مي باشد که کمترین خطا روی سری اعتبار سازی داشته باشد که فرض مي شود شاخص واقعي بكار گرفته شده برای یک شبكه تعمیم یافته مي باشد. در این تحقیق شاخص سنجش ما االععاتي مي باشد که از بیماران به شكل کلینیكي بدست آمده و نتایج بدست آمده در این تحقیق با این االععات مقایسه مي شوند. در این تحقیق از روش متعامد اعتبار سازی جک نایف استفاده شد. بدین صورت که در هر مردله آموزش یكي از نمونه ها برای تست شبكه از ورودی ها خارج شده و بقیه به عنوان آموزش بكار گرفته شدند و این عمل به ازای تمامي ورودی ها تكرار شد. تخمین زننده جكنایف یک نسخه تعادل یافته اعتبار سازی متعامد (Cross-Validation) مي باشد که سری های نمونه ها دقیقا هم سایز مي باشند. روش آموزش اعتبار سازی متعامد جک نایف نسبت به دیگر روشهای متعامد دقیقترین ارزیابي را بدست داده است )2(. در این پروژه به عنوان تابع ارزیابي الگوریتم ژنتیک از داصلضرب دساسیت تشخیصي در ویژگي تشخیصي یک شبكه آموزش یافته استفاده شد. همچنین از توابع ارزیابي دیگری نظیر دقت تشخیصي نیز استفاده گردید ولي بهترین نتایج با داصلضرب دساسیت در ویژگي تشخیصي بدست مي آید زیرا در این صورت قادر خواهیم بود تا مقدار دساسیت و ویژگي را همزمان افزایش داد. وقتي مقدار دساسیت و ویژگي تشخیصي هر دو افزایش یابند مقدار دقت نیز افزایش خواهد یافت. Se و Sp به ترتیب دساسیت تشخیصي و ویژگي تشخیصي مدل مي باشند و Fp Tn Tp و Fn به ترتیب تعداد مابت های درست منفي های درست مابت های نادرست و منفي های نادرست مي باشند. برای اجرای این سیستم برنامه ای به زبان MATLAB برای آموزش شبكه با پارامترهای انتخابي و محاسبه دساسیت و ویژگي و در نتیجه محاسبه تابع برازندگي نوشته شد و این برنامه به عنوان تابع برازندگي به همراه جعبه ابزار الگوریتم ژنتیک در محیط MATLAB مورد استفاده قرار گرفت تا پارامترهای بهینه بدست آیند. کلیه برنامه های مربوط به این قسمت به زبان برنامه نویسي MATLAB نوشته شده اند و در روی کامپیوتر پنتیوم 8 با پردازنده دوهسته ای 2/ GHz اجرا شده اند. هر بار اجرای الگوریتم ژنتیک برای بهینه سازی پارمتر های تشخیصي برای الیه میاني تا نرون در ددود 2 تا 7 روز به الول مي کشد که این امر در واقع یكي از معدود معایب الگوریتم ژنتیک مي باشد. منحنی های ROC) :(Receiver Operating Characteristics, از آنجا که دساسیت ویژگي و دقت تا دد زیادی وابسته به جمعیت بیماران غالب است و از این رو ممكن است نتوان به درستي و به صورت دقیق کارائي شبكه را مقایسه نمود لذا از تحلیل منحني های ROC برای ارزیابي کارایي مدل استفاده شد. تحلیل ROC شكلي از یک اندازه گیری است که عمدتا برای مقایسه کارایي روش های تشخیصي بكار مي رود. در تحلیل ROC کارایي تشخیص بر دسب دو شاخص ارزیابي مي شود: (FPF). 2- کسر مابت نادرست -(TPF) کسر مابت درست کسر اول به عنوان کسری از موارد وجود عارضه که به درستي تشخیص داده شده اند )مال دساسیت( و کسر دوم کسری از موارد عدم وجود عارضه که به اشتباه وجود عارضه تشخیص داده شده اند.(-Spe) مقادیر هر کسر با مقایسه خروجي شبكه و نتایج واقعي و تغییر دد آستانه قابل محاسبه است. از مقادیر فوق مي توان برای رسم منحني های ROC استفاده نمود. سطح زیر منحني (Area Under Curve, AUC) معیاری برای میزان کارائي روش بكار رفته است. به کمک نرم افزار MedCalc در هر دالت منحني ROC را ترسیم و سطح زیر آنرا به کمک این نرم افزار محاسبه گردید. یافته ها نتایج مدل کامل شبکه عصبی و مدل ترکیبی: مقادیر آماری شایستگي مدل روی 55 نمونه آزمون به روش جكنایف محاسبه شد که میزان دساسیت ویژگي و دقت تشخیصي از %55 % و %7 در مدل کامل شبكه عصبي به %7 %5 و %44 در مدل ترکیبي رسیده است )جدول 2(. جدول 2: مقایسه میانگین نتایج بدست آمده بین مدل کاهش یافته با 22 الیه میانی و مدل کامل با 2 الیه میانی AUC MISS. CLASS% ACC% SPE% (CI 5%) SEN% (CI5%) /5±48/ 2/ 7/ / مدل کامل 2 55 / 54 شبكه عصبي /5±/ / 44/ 7 5/ مدل تعدیل یافته 88 7 / 5 شبكه عصبي برای الیه پنهان تعداد 7 8 و نرون استفاده گردید و برای هر دالت یكبار الگوریتم ژنتیک اجرا شد و پارامترهای بهینه مربوط به هر الیه میاني بدست آمد. پس از اجرای الگوریتم ژنتیک برای تعداد نرونهای الیه میاني متفاوت موثرترین پارامتر برای داشتن بهترین نتایج انتخاب شدند. برای اینكه تاثیر معماری شبكه در انتخاب پارامترها به کمترین مقدار ممكن برسد با استفاده از تعداد دفعات انتخاب هر پارامتر از بار اجرای الگوریتم ژنتیک نمودار ترسیمي رسم شد )شكل ( که در آن میزان تاثیر هر پارامتر در تشخیص بروز عارضه مشخص شده است. یک پارامتر در تمامي دفعات انتخاب شد که این امر بیانگر آن است که این پارامتر تشخیصي تاثیر بیشتری نسبت به بقیه دارد که اگر تعداد دفعات اجرای الگوریتم ژنتیک را بیشتر نماییم میزان تفاوت میان پارامتر ها بیشتر خواهد شد و ارزیابي دقیقتر خواهد بود. به این ترتیب به کمک الگوریتم ژنتیک یكي از معایب شبكه عصبي بر الرف و میزان تاثیر هر پارامتر در خروجي شبكه معین گردید. برای نشان دادن کارایي و قدرت تعمیم مدل از روش جک نایف برای آموزش و تست شبكه استفاده شد و برای هر روش بار تست انجام شد و سپس میانگین مقادیر بدست آمد )جدول 2(. نمودارهای ROC نیز برای مدل کامل و مدل ترکیبي در شكل 8 آمده است.

5 78 J Babol Univ Med Sci; 6(); Jan 204 A Genetic Algorithm and Neural Network Hybrid Model ; A.D. Esmaeeli, et al شکل 3 : میزان تاثیر نسبی هر پارامتر در تشیص عارضه شکل 4 : مقایسه منحنی ROC مدل کامل و مدل کاهش یافته. بحث و نتیجه گیری نتایج مطالعه نشان داد که از میان 7 پارامتر تشخیصي پارامتر 7 یعني geud با /= a بیشترین تاثیر را در تشخیص عارضه دارد و همچنین از میان پارامترهای مستقل از دز برنامه شیمي درماني نیز به عنوان پارامترهای بهینه انتخاب شده است که این نتیجه توافق خوبي با نتایج دیگران دارد )2-24(. بعضي از پارامترهای غیر ضروری دذف شدند که این امر باع ساده سازی شبكه مي گردد. همچنین پارامترهایي هستند که توسط الگوریتم ژنتیک فقط یک بار انتخاب شده اند. این امر مي تواند به دلیل وجود پارامترهای موثر تر و با ضریب همبستگي باالتر با نتیجه RP در مجموعه پارامترهای ورودی شبكه باشد. geud با /7 و /=a و ER پارامترهایي هستند که به کلي دذف شده اند و در هیچ یک از دفعات اجرای الگوریتم ژنتیک انتخاب نشده اند. البته دذف یک پارامتر توسط الگوریتم ژنتیک دلیل بر آن نیست که آن پارامتر هیچ تاثیری در تشخیص ندارد. بلكه بیانگر آن است که پارامترهای موثرتری یافت مي شوند که شبكه عصبي به کمک آنها یا ترکیبي از آنها مي تواند دقیقتر و با قدرت تعمیم بیشتری عمل نماید )2(. زیرا پارامترهای غیرضروری و وابسته به یكدیگر قدرت تعمیم شبكه عصبي را کاهش مي دهند ) و (. معموال الگوریتم ژنتیک پارامترهایي از ورودی را دذف مي کند که بین آنها و یكي از پارامتر های انتخاب شده همبستگي باالیي وجود داشته باشد زیرا اگر این کار توسط الگوریتم ژنتیک انجام نشود وجود این پارامتر های اضافي مي تواند منجر به کاهش دقت و قدرت تعمیم شبكه عصبي گردد. در این تحقیق ما توانسته ایم با تلفیق الگوریتم ژنتیک و شبكه عصبي مصنوعي دقت شبكه را از %7 به %44 برسانیم و از الرفي دساسیت و ویژگي تشخیصي را بطور همزمان باال ببریم. زیرا همانطور که مي دانیم کاهش دساسیت مي تواند باع و کاهش ویژگي مي تواند باع افزایش ویژگي تشخیصي افزایش دساسیت تشخیصي شود. اما بهترین دالت دالتي است که بتوانیم هر دوی این مشخصه ها را همزمان باال ببریم و در دد قابل قبولي دفظ نماییم که این کار به کمک الگوریتم ژنتیک امكان پذیر خواهد بود. البته در این پروژه ساختارهای متفاوتي از شبكه عصبي با الگوریتم های یادگیری متفاوت مورد آزمایش قرار گرفتند که ساختار داضر با الگوریتم یادگیری پس انتشار خطا بهترین نتایج را به دست مي داد. یكي از معایب این مدل مي تواند پایین بودن نسبي دساسیت تشخیصي باشد که به دلیل کم بودن نمونه های با عارضه نسبت به نمونه های بدون عارضه مي باشد که با افزایش تعداد نمونهای با عارضه قابل دل بود. یكي دیگر از معایب مهم این روش و سایر روشهای CAD) (Computer-aided design, وابستگي آنها به بانک االععاتي مورد استفاده مي باشد که با بزرگتر شدن بانک االععاتي این نقص کم کم بر الرف مي شود. باع شبكه عصبي همواره به دلیل توانایي در شبیه سازی توابع غیر خطي و پیچیده و قدرت تعمیم و قابلیت گسترش آنها همواره مورد توجه محققین روشهای (CAD) بوده است. اما شبكه های عصبي معایبي هم دارند. از جمله این معایب آن است که شبكه های عصبي همواره به جعبه سیاهي تشبیه شده اند و قادر نیستند تاثیر هر متغیر مستقل را بر متغیر وابسته مشخص کنند و از الرفي مستعد گرفتار شدن به آموزش نادرست هستند. در این تحقیق سعي شد تا با ترکیب الگوریتم ژنتیک و شبكه عصبي مصنوعي بعضي از مشكعت شبكه عصبي را بر الرف نموده و در نهایت مدلي الرادي گردد که بتواند با استفاده از االععات بدست آمده از پارامترهای وابسته و مستقل به دز دقت دساسیت و ویژگي تشخیصي باالتری نسبت به روشهای پیشین بدست دهد و از الرفي قادر باشد تا پارامترهای بهینه را از میان کل پارامترهای تشخیصي استخراج کند. ععوه بر آن استخراج پارامتر های بهینه و دذف پارامترهای کم تاثیر یا بي تاثیر مي تواند ساده سازی ساختار شبكه و دافظه اختصاص یافته به آن گردد که در صورت زیاد بودن پارامترهای ورود شبكه بسیار دائز اهمیت خواهد بود. پاسخ ریوی پیش بیني کننده به رادیوتراپي یک مسئله پیچیده مي باشد. شبكه عصبي غیر خطي که هم از االععات فیزیكي و هم االععات بیولوژیكي استفاده مي کند برای پیش بیني آسیب ریوی توسعه داده شده است. نتایج این تحقیق نشان مي دهد که مدل ترکیبي الگوریتم ژنتیک و شبكه عصبي قادر است به درستي RP را پیش بیني کند. به دلیل غیر خطي و انعطاف پذیری باالی آن معتقد هستیم که مدل شبكه عصبي مصنوعي نقش خیلي مهمي در زمینه های کلینیكي شامل رادیوتراپي و انكولوژی دارد. تقدیر و تشکر بدینوسیله از بخش فیزیک رادیوتراپي بیمارستان شهید رجایي بابلسر آقایان رضازاده و مختارپور و خانم دلفان و همچنین از آقای رضایي مسئول بخش رادیوتراپي بخاالر همكاری در جمع آوری االععات تشكر و قدرداني مي گردد.

6 مجله دانشگاه علوم پزشكي بابل دوره شانزدهم/ شماره / دی 2 شبیه سازی یک مدل ترکیبي به کمک الگوریتم ژنتیک علي اسماعیلي دافچاهي و همكاران 78 A Genetic Algorithm and Neural Network Hybrid Model to Predict Lung Radiation-Induced Pneumonitis in Breast Radiotherapy (A simulation Study) A.D. Esmaeeli (MSc), M. Pouladian (PhD), A.S. Monfared (PhD) 2*, S.R. Mahdavi (PhD) 3, D. Moslemi (PhD) 4. Department of Medical Radiation Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran 2. Department of Radiotherapy Physics, Shahid Rajaee Hospital, Babolsar, Iran 3. Department of Medical Physics, Tehran University of Medical Sciences, Tehran, Iran 4. Department of Radiation Oncology, Babol University of Medical Sciences, Babol, Iran J BabolUniv Med Sci;6(); Jan 204; pp: Received: Mar 6 th 203, Revised: May st 203, Accepted: Jul 0 th 203. ABSTRACT BACKGROUND AND OBJECTIVE: To minimize lung toxicity associated with radiotherapy, occurring in approximately 5-5% of patients the understanding of the correlation between the risk of radiation-induced pneumonitis and treatment parameters is essential. A feed-forward artificial neural network along with a genetic algorithm was investigated to predict the occurrence of lung radiation-induced upper grade pneumonitis. METHODS: A nonlinear neural network along with a genetic algorithm was developed. Inputs for the neural network (features) were selected from 65 dose variables extracted from treatment plan and 8 non-dose variables like; chemotherapy schedule, age, surgery (yes or no), tumor location, tumor stage, radiation fields, and hormone factors. Of these patients, 8 were diagnosed with grade or higher lung pneumonitis. In this work, this study was based on data from 66 patients with breast cancer treated with external beam radiotherapy. The accuracy, specificity, sensitivity and receiver operator characteristic (ROC) curves were evaluated. FINDINGS: The area under the receiver operating characteristics (ROC) curve for cross-validated testing was 84% and % for the ANN and the hybrid model, respectively. Sensitivity, specificity and accuracy were 66%, 0% and 7% for ANN and 70%, 6% and 88% for the hybrid model. CONCLUSION: ANNs may prove to be a useful tool in predicting biological outcomes. The combined model of neural network and genetic algorithm is an efficient method for predicting radiation pneumonitis with respect to the neural network model. KEY WORDS: Radiotherapy, Genetic algorithm, Artificial neural network, Radiation pneumonitis. Please cite this article as follows: Esmaeeli AD, Pouladian M, Monfared AS, Mahdavi SR, Moslemi D. A genetic algorithm and neural network hybrid model to predict lung radiation-induced pneumonitis in breast radiotherapy (a simulation study). J BabolUniv Med Sci 204;6(): Corresponding Author;A.S. Monfared (PhD) Address: Department of Biophysics and Biochemistry, Babol University of Medical Sciences, Babol, Iran Tel: monfared_ali@yahoo.com

7 78 J Babol Univ Med Sci; 6(); Jan 204 A Genetic Algorithm and Neural Network Hybrid Model ; A.D. Esmaeeli, et al References. Davis SD, Yankelevitz DF, Henschke CI. Radiation effects on the lung: Clinical features, pathology, and imaging findings. AJR Am J Roentgenol 2;5(6): Lind P. Clinical relevance of pulmonary toxicity in adjuvant breast cancer irradiation. Acta Oncol 2006;45(): Lingos TI, Recht A, Vicini F, Abner A, Silver B, Harris JR. Radiation pneumonitis in breast cancer patients treated with conservative surgery and radiation therapy. Int J Radiat Oncol Biol Phys ;2(2): Hardman PD, Tweeddale PM, Kerr GR, Anderson ED, Rodger A. The effect of pulmonary function of local and loco-regional irradiation for breast cancer. Radiother Oncol 4;30(): Roach M 3rd, Gandara DR, Yuo HS, et al. Radiation pneumonitis following combined-modality therapy for lungcancer analysis of prognostic factors. J Clin Oncol 5;3(0): Segawa Y, Takigawa N, Kataoka M, Takata I, Fujimoto N, Ueoka H. Risk factors for development of radiation pneumonitis following radiation therapy with or without chemotherapy for lung cancer. Int J Radiat Oncol Biol Phys 7;3(): Seppenwoolde Y, Lebesque JV, de Jaeger K, et al. Comparing different NTCP models that predict the incidence of radiation pneumonitis. Int J Radiat Oncol Biol Phys 2003;55(3): Lyman JT. Complication probability as assessed from dose volume histograms. Radiat Res 85;8:S3-S.. Graham MV, Purdy JA, Emami B, et al. Clinical dose-volume histogram analysis for pneumonitis after 3D treatment for non-small cell lung cancer (NSCLC). Int J Radiat Oncol Biol Phys ;45(2): Oral EN, Bavbek S, Kizir A, et al. Preliminary analysis of a phase II study of Paclitaxel and CHART in locally advanced non-small cell lung cancer. Lung Cancer ;25(3):-8.. Kong FM, Hayman JA, Griffith KA, et al. Final toxicity results of a radiation-dose escalation study in patients with non-smallcell lung cancer (NSCLC): Predictors for radiation pneumonitis and fibrosis. Int J Radiat Oncol Biol Phys 2006;65(4): Martel MK, Ten Haken RK, Hazuka MB, Turrisi AT, Fraass BA, Lichter AS. Dose-volume histogram and 3D treatment planning evaluation of patients with pneumonitis. Int J Radiat Oncol Biol Phys 4;28(3): Tsujino K, Hirota S, Endo M, et al. Predictive value of dose-volume histogram parameters for predicting radiation pneumonitis after concurrent chemoradiation for lung cancer. Int J Radiat Oncol Biol Phys 2003;55(): Rosenzweig KE, Mychalczak B, Fuks Z, et al. Final report of the 70.2 Gy and 75.6 Gy dose levels of a phase I dose escalation study using three-dimensional conformal radiotherapy in the treatment of inoperable non-small-cell lung cancer. Cancer J 2000;6(2): Byhardt RW, Scott C, Sause WT, et al. Response, toxicity, failure patterns, and survival in five radiation therapy oncology group (RTOG) trials of sequential and/or concurrent chemotherapy and radiotherapy for locally advanced non-small-cell carcinoma of the lung. Int J Radiat Oncol Biol Phys 8;42(3): Maguire PD, Marks LB, Sibley GS, et al Gy and beyond: Hyperfractionated, accelerated radiotherapy for nonsmall cell lung cancer. J Clin Oncol 200;(3): Yorke ED, et al. Correlation of dosimetric factors and radiation pneumonitis for non-small-cell lung cancer patients in a recently completed dose escalation study. Int J Radiat Oncol Biol Phys 2005;63(3): Hope AJ, Lindsay PE, El Naqa I, Alaly JR, Vicic M, Bradley JD, Deasy JO. Modeling radiation pneumonitis risk with clinical, dosimetric, and spatial parameters. Int J Radiat Oncol Biol Phys 2006;65(): Gayou O, Das SK, Zhou SM, Marks LB, Parda DS, Miften M. A genetic algorithm for variable selection in logistic regression analysis of radiotherapy treatment outcomes. Med Phys 2008;35(2): Kim, P, Pan L and Wirjanto T S. Resampling in Neural Network with Application to Exchange-Rate Data, Mimeo, University of Waterloo, Waterloo, Ontario, Canada. Neural Network Conference Proceeding, 2005c: 32-4.

8 مجله دانشگاه علوم پزشكي بابل دوره شانزدهم/ شماره / دی 2 شبیه سازی یک مدل ترکیبي به کمک الگوریتم ژنتیک علي اسماعیلي دافچاهي و همكاران Rancati T, Ceresoli GL, Gagliardi G, Schipani S, Cattaneo GM. Factors predicting radiation pneumonitis in lung cancer patients: A retrospective study. Radiother Oncol 2003;67(3): Zhang P, Verma B, Kumar K. Neural vs. statistical classifier in conjunction with genetic algorithm based feature selection. Pattern Recognit Lett 2005;26(7): Anastasio MA, Kupinski MA, Nishikawa RM. Optimization and FROC analysis of rule-based detection schemes using a multiobjective approach. IEEE Trans Med Imaging 8;7(6): Hernando ML, Marks LB, Bentel GC, et al. Radiation-induced pulmonary toxicity: A dose-volume histogram analysis in 20 patients with lung cancer. Int J Radiat Oncol Biol Phys 200;5(3): Tsujino K, Hirota S, Kotani Y, et al. Radiation pneumonitis following concurrent accelerated hyperfractionated radiotherapy and chemotherapy for limited-stage small-cell lung cancer: Dose-volume histogram analysis and comparison with conventional chemoradiation. Int J Radiat Oncol Biol Phys 2006;64(4): Kwa SL, Lebesque JV, Theuws JC, et al. Radiation pneumonitis as a function of mean lung dose: An analysis of pooled data of 540 patients. Int J Radiat Oncol Biol Phys 8;42(): Fu XL, Jiang GL, Wang LJ, et al. Hyperfractionated accelerated radiation therapy for non-small cell lung cancer: Clinical phase I/II trial. Int J Radiat Oncol Biol Phys 7;3(3): Green S, Weiss GR. Southwest-oncology-group standard response criteria, end-point definitions and toxicity criteria. Invest New Drugs 2;0(4): Moiseenko V, Craig T, Bezjak A, Van Dyk J. Dose-volume analysis of lung complications in the radiation treatment of malignant thymoma: A retrospective review. Radiother Oncol 2003; 67: Seppenwoolde Y, De Jaeger K, Boersma LJ, et al. Regional differences in lung radiosensitivity after radiotherapy for non-small cell lung cancer. Int J Radiat Oncol Biol Phys 2004;60(3): Graham MV, Purdy JA, Emami B, Matthews JW, Harms WB. Preliminary results of a prospective trial using three dimensional radiotherapy for lung cancer. Int J Radiat Oncol Biol Phys 5;33(5):3-000.