به گزارش روابط عمومی وزارت علوم به نقل از دانشگاه تربیت مدرس، روش طلایی تشخیص نوع و درجه تومور برای اعمال روش درمانی مؤثر انجام نمونه‌برداری مستقیم از بافت توموری می‌باشد. اما این روش تهاجمی با استفاده از سوزن‌های مخصوص و جراحی باز مغز صورت می‌پذیرد. استفاده از رادیومیکس و الگوریتم‌های محاسباتی یادگیری ماشین بر روی تصاویر MRI می‌تواند در تشخیص افتراقی تومور‌ها نقش به سزایی داشته باشد.
 سالار بیجاری که این پژوهش در قالب رساله دکترای تخصصی وی در رشته فیزیک پزشکی انجام شد، با بیان مطلب فوق درخصوص طرح تحقیقاتی خود گفت: در این مطالعه تعداد ۱۹۸ بیمار در ۵ کلاس بیماری جمع‌آوری و طبقه‌بندی شدند.. کلاس یک (گلیومای درجه بالا) ۴۸ بیمار، کلاس دو (متاستاز مغزی) ۴۱ بیمار، کلاس سه (مننژیوما مغزی) ۳۸ بیمار، کلاس چهار (آبسه و لنفوم مغزی) ۲۹ بیمار و کلاس پنجم (گلیومای درجه پایین) ۴۲ بیمار که به ترتیب برای هر کلاس ثبت و جمع‌آوری گردید. ۵ توالی تصویر‌یابی T۱-W، T۲-W، T۲-W Flair، DWI و T۱+CE انجام شد و از هر توالی ۱۰۷ ویژگی کمی با استفاده از نرم‌افزار‌تری دی اسلایسر و ۹ ویژگی کیفی نیز توسط پزشک استخراج گردید.
وی افزود: پس از بررسی ICC ویژگی‌های استخراج شده، ویژگی‌های ICC بالای ۰/۷۵ انتخاب شد. سپس در دو حالت با و بدون تبدیل موجک (۳۰ حالت تبدیل موجک)، ۱۰ روش کاهش بعد و ۱۳ روش یادگیری ماشین بر داده‌های آموزش و آزمون اعمال شد.
بیجاری در ادامه تشریح کرد: پس از بهینه‌سازی مدل‌های مختلف در گروه آموزش، نتایج سطح زیر منحنی راک(AUC)، دقت و F۱-score برای گروه آزمون محاسبه شد. در حالت بدون تبدیل موجک، کاهش بعد PCA و رگرسیون لجستیک بعنوان مدل مناسب انتخاب شد که نتایج AUC، دقت و F۱-score به ترتیب، ۰/۹۴، ۰/۹۱ و ۰/۹۰ محاسبه گردید. همچنین در قسمت تبدیل موجک، تبدیل موجک ۵. ۵ bior به همراه کاهش بعدلاپلاسین و جنگل تصادفی بعنوان مدل مناسب انتخاب گردید و به ترتیب نتایج آن ۰/۹۷، ۰/۹۶ و ۰/۹۶ محاسبه شد. مدل با تبدیل موجک موجب افزایش خروجی مدل شد.
وی در پایان گفت: استفاده از روش‌های رادیومیکس و الگوریتم‌های یادگیری ماشین می‌تواند به تفکیک افتراقی ضایعات مغزی کمک کند و خطرات ناشی از نمونه‌برداری مستقیم را کاهش دهد.
گفتنی است این پژوهش در قالب رساله دکترای تخصصی سالار بیجاری با راهنمایی پرویز عبدالمالکی عضو هیئت علمی دانشگاه تربیت مدرس انجام شد.