عنوان	استفاده از اطلاعات پزشکی بیمار: پیش‌بینی سرطانهای ثانویه با استفاده از هوش مصنوعی و مدل‌های یادگیری ماشین
نوع پژوهش	طرح پژوهشی خاتمه‌یافته
کلیدواژه‌ها	پرتودرمانی، ریسک سرطان ثانویه، یادگیری ماشینی
چکیده	رشد بی رویه و کنترل نشده سلولهای بدخیم می تواند منجر به سرطان شود. پیشرفت در تشخیص زودهنگام و درمان سرطان به این معنی است که افراد بیشتری از سرطان جان سالم به در می برند. برخی از بازماندگان ممکن است تا پایان عمر خود پس از درمان بدون بیماری زندگی کنند، اما برخی دیگر ممکن است تحت تأثیر تعدادی از مشکلات غیر سرطانی و عوارض جانبی درمان قرار گیرند. اغلب، بزرگترین نگرانی یک درمان شده از سرطان، مواجهه مجدد با این بیماری است. برای همه بازماندگان سرطان مهم است که بدانند امکان ابتلا به سرطان (جدید) دیگری پس از درمان از اولین سرطان وجود دارد و این ابتلای مجدد، سرطان ثانویه نامیده می شود [1]. سرطان ثانویه سرطان جدیدی است که با تشخیص و پاتولوژی سرطان اولیه هیچ ارتباطی ندارد و کاملا متفاوت از سرطان اولیه است. گاهی اوقات سرطان ثانویه در همان اندام یا ناحیه ای از بدن که ابتلا سرطان اول اتفاق افتاده، ایجاد می شود. به عنوان مثال، فردی که برای نوع خاصی از سرطان روده بزرگ تحت درمان قرار گرفته است، می تواند به نوع دیگری از سرطان روده بزرگ به عنوان سرطان ثانویه مبتلا شود یا ممکن است سرطان دوم در اندام یا بافت دیگری ایجاد شود. همچنین باید بدانیم که سرطان ثانویه منشا جداگانه دارد و به معنی متاستاز ناشی از سرطان اولیه نیست [2]. بروز سرطان ثانویه در اثر پرتودرمانی یک نگرانی مهم و یک عارضه بالقوه طولانی مدت این درمان است. با توجه به اینکه هدف اصلی پرتودرمانی ارائه درمان موثر به بیماران است، به حداقل رساندن خطر ابتلا به سرطان ثانویه بسیار مهم است. عوامل متعددی در ریسک سرطان ثانویه نقش دارند، از جمله دوز و حجم تابش دریافتی توسط بیمار، سن بیمار در رادیوتراپی، پاتولوژی اندام یا بافت خاصی که تحت تابش قرار می گیرد. برای محاسبه این ریسک، لازم است تکنیک‌های مدل‌سازی جدیدی ایجاد شود که روابط نیمه تجربی را در خود جای دهد \[3]. یکی از روش هایی که اخیرا توسط هوش مصنوعی قادر به پیش بینی این خطر می باشد استفاده از مدل های Machine Learning است . روش یادگیری ماشین، داده محور بوده و بر روی داده ها و بهبود مستمر آن تمرکز دارد و به طور کلی این روش مبتنی بر آمار و احتمال است، اما نتایج به دست آمده از این روش بهتر از روش های آماری است. یادگیری ماشینی مدل های مختلفی دارد و دقت نتایج به مدل هایی که استفاده می شود بستگی دارد. در یادگیری ماشینی، با استفاده از الگوریتم های خاص و مدل های متفاوت و استفاده از داده های مرتبط و مستقل می تواند در زمینه پزشکی نیز مورد استفاده قرار گیرد. این روش 70%از مجموعه داده هارا جهت آموزش مورد بررسی قرار می دهد و سپس 30% باقیمانده را جهت تست انتخاب می کند [4,5]. هدف ما از این پژوهش نیز پیش بینی خطر سرطان ثانویه با استفاده از هوش مصنوعی، توسط مدل های پرکاربرد روش یادگیری ماشین می باشد. اما با توجه به ارتباط ریسک سرطان ثانویه با دز، جنسیت ، سن و... این پژوهش نیازمند داده هایی می باشد که اطلاعات لازم را در اختیار ما قرار دهد به همین منظور ما از داده های موجود از پژوهش های پیشین که در سال 2001 در یک مقاله جمع آوری شدند استفاده می کنیم[6] و پس از به کارگیری مدل های مختلف یادگیری ماشین مدل مورد بهینه را انتخاب کرده و ریسک ابتلا به سرطان ثانویه را محاسبه می نماییم.
پژوهشگران	حسین صادقی (همکار)، فاطمه سیف (مجری)