ترجمه فارسی عنوان مقاله

نوسان غیرخطی ضربان قلب مبتنی بر هوش مصنوعی در پیش بینی سرطان ریه

عنوان انگلیسی

Nonlinear Heart Rate Variability based artificial intelligence in lung cancer prediction

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
138257	2018	11 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Journal of Applied Biomedicine, Volume 16, Issue 2, May 2018, Pages 145-155

فهرست مطالب ترجمه فارسی

کلمات کلیدی

مقدمه

مواد و روش ها

آزمودنی ها و اکتساب سیگنال زیستی

مقیاس وضعیت عملکرد گروه انکولوژی همکاری شرق

استخراج جنبه برای انالیز HRVی غیرخطی

شکل 1- انالیز بُعد همبستگی (CD) با پیشروی سرطان ریه.

شکل 2- انالیز نوسان کوتاه مدت (SD1) و نوسان طولانی مدت (SD2) از نمودار پوانکاره

دسته بندی

شبکه ی عصبی مصنوعی (ANN)

ماشین بردار پشتیبان (SVM)

شکل 3- نمایش نسبت فعالیت پاراسمپاتیک به نسبت فعالیت سمپاتیک با استفاده از انالیز نمودار پوانکاره (PP)

انالیز آماری

نتایج

جنبه های HRVی غیرخطی

شکل 4- انالیز نمودار برگشت برای پارامتر Lmax با شدت بیماری

شکل 5- انالیز انتروپی (انتروپی تقریب (ApEn) و انتروپی نمونه (SampEn) افزایش انتروپی را با بیماری نشان می دهد.

آنالیز بیماری

دقت دسته بندی

شکل 6- انالیز نمای DFA با وضعیت عملکرد مرحله ی سرطان.

شکل 7- (a) نمودار پیونکاره و (b) DFA برای سرطان ریه ECOG4

شکل 8- (a) نمودار پیونکاره و (b) DFA برای سرطان ریه ECOG3

شکل 9- (a) نمودار پیونکاره و (b) DFA برای سرطان ریه ECOG2

شکل 10- (a) نمودار پیونکاره و (b) DFA برای سرطان ریه ECOG1

بحث

شکل 11- (a) نمودار پوانکاره و (b) DFA برای کنترل ها

جدول 1- سنجش نوسان غیرخطی ضربان قلب براساس جنسیت (مقادیر برحسب میانگین ± انحراف معیار) که M، F و G بجای مرد، زن و جنسیت بکارمی روند.

جدول 2- سنجش نوسان غیرخطی ضربان قلب براساس سن (مقادیر برحسب میانگین ± انحراف معیار)

جدول 3- انالیز آماری پارامترهای HRV غیرخطی مبتنی بر جنسیت (آزمون تی استیودنت و تحلیل واریانس p≤0.05، p*≤0.0001).

جدول 4- تاثیرات نرخ یادگیری روی اثربخشی شبکه 9:100:5 (تعداد تکرارها= 1000). بیشینه دقت بصورت برجسته (بولد) مشخص شده است.

جدول 5- تاثیرات تعداد گره های لایه ی پنهان روی عملکرد ANN (نتایج تست). بیشینه دقت برجسته شده است.

شکل 12- ماتریس درهم آمیختگی برای معماری شبکه ی عصبی مصنوعی 9:4:5

نتیجه گیری

ترجمه کلمات کلیدی

هوش مصنوعی، گروه انکولوژی گروه تعاونی شرقی، تنش قلبی، سرطان ریه، تجزیه و تحلیل غیر خطی،

کلمات کلیدی انگلیسی

Artificial intelligence; Eastern cooperative oncology group; Heart rate variability; Lung cancer; Nonlinear analysis;

ترجمه مقدمه

سرطان، رشد سلول ها با الگویی نامنظم است که به رشد غیرطبیعی بافت می انجامد که نئوپلازی گفته می شود و به دو دسته ی بدخیم یا بالقوه بدخیم دسته بندی می شود (Weinberg، 1996). سرطان ریه عمدتاً در پوشش اپیتلیال درخت نایژه ای بوجود می آید و در نایژه های لوبار و اصلی آغاز می شود (Garland و همکاران، 1968). کارسینومای سلول سنگفرشی ، کارسینومای سلول کوچک و ادنوکارسینوما سه هیستولوژی سرطان ریه هستند. شیوع و مرگ و میر ناشی از سرطان ریه دربین مردان و زنان با آلودگی هوا بشدت در حال افزایش است، سیگارکشیدن و استعمال دخانیات عوامل پیشرو هستند (De Couck و همکاران، 2013؛ Kim و همکاران، 2010). سن و جنسیت بعنوان عوامل مستقل فرض شده اند که شدت بیماری را مبتنی بر علائم متعدد تحت تاثیر قرار می دهند (Walsh و همکاران، 2000). تنش مزمن در بیماران سرطانی شایع است (Li و همکاران، 2013) که به سوءعملکرد دستگاه عصبی خودکار (ANS) برمی گردد (Guo و همکاران، 2015؛ Walsh و Nelson، 2002). کاهش نوسان ضربان قلب (HRV) (Kim و همکاران، 2015؛ Schlenkert و همکاران، 2014) در آزمودنی های سرطان مطرح شده است. HRV بصورت بازه ی زمانی ضربان تا ضربان ارزیابی شده است که از الکتروکاردیوگرام (ECG) بدست می آید. HRV سابقاً بعنوان تکنیک ارزیابی فعل و انفعال میان دستگاه عصبی سمپاتیک (SNS) و پاراسمپاتیک (PNS) تشریح شده بود (Acharya و همکاران، 2002؛ Aggarwal و همکاران، 2014). ANS روی مکانیسم لوپ بازخوردی برای کنترل متغیرهای فیزیولوژی مثل ضربان قلب کار می کند و دینامیک غیرخطی دارد (Aggarwal و همکاران، 2014؛ Signorini و همکاران، 2001). آهنگ ANS در شرایط سرطان بمنظور برآورده کردن تقاضای متابولیکی غیرضروری فورا فرق می کند و فعالیت SNS بیشتر و PNS کمتر می شوند (Aggarwal و همکاران، 2014؛ Schlenker و همکاران، 2014). تغییر آهنگ ANS، بازتاب وضعیت پاتولولوژی بیمار در حالت بحرانی است (Chiang و همکاران، 2013). کاربرد HRVی غیرخطی در توضیح مراحل اولیه ی بیماری مطرح شده است (Acharya و همکاران، 2002؛ De Souza و همکاران، 2014؛ Mohebbi و همکاران، 2011؛ Roy و Ghatak، 2013؛ Schlenker و همکاران، 2014؛ Yeh و همکاران، 2006؛ 2010). سیگنال های قلبی، سری های زمانی غیرخطی هستند و برای بررسی کوچکترین نوسان به انالیز غیرخطی نیازدارند. این روش ستبر است و بنابراین باگذشت زمان به انالیز دُمین بسامد ترجیح داده می شود (De Souza و همکاران، 2014؛ Roy و Ghatak، 2013؛ Yeh و همکاران، 2010). تشخیص سرطان با استفاده از انالیز دُمین بسامدی و زمان HRV در چند بررسی گزارش شده است (De Couck و همکاران، 2016؛ Guo و همکاران، 2015؛ Kim و همکاران، 2010؛ Walsh و Nelson، 2002). کاربرد هوش مصنوعی (AI) در پیش آگهی انواع سرطان ها مطرح است (Cosma و همکاران، 2016؛ Utomo و همکاران، 2014). این درحالی است که تا آنجا که می دانیم، شاخص های HRV بعنوان ورودی یادگیری ماشینی در هیچ بررسی استفاده نشده اند. بنابراین اهداف این بررسی، شناسایی تغییرات در جنبه های HRVی غیرخطی با وضعیت عملکردی (PS)، جنسیت و سن در سرطان ریه، اگر باشد، و تمایز داده های بالینی شان با کمک شبکه ی عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) برای طراحی ابزار تشخیصی خودکار برای سرطان ریه بودند.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

Lung cancer is uncontrolled growth of cells that occurs due to exposure to smoke, radiation and chemicals, which causes chronic stress and associated with impaired autonomic nervous system. Nonlinear heart rate variability (HRV) analysis has been suggested to uncover the performance status of lung cancer subjects and distinguish them from healthy controls. The present work obtained tachogram from recorded electrocardiogram of 104 lung cancer subjects and 30 healthy controls to extract HRV indices. The obtained results suggested lowered HRV (altered autonomic nervous system tone) values from Eastern Cooperative Oncology Group (ECOG) 1 to ECOG4. Subject males had higher HRV measures than their female counterparts. The HRV parameters decreased from ECOG PS of 1 to 4. Control females had higher HRV measures than control males. There was no association between age and HRV measures. Statistically, nonlinear HRV features were observed significant. ANN exhibited ECOG1 83.3%, ECOG2 50%, ECOG3 90%, ECOG4 95% and Controls 86.7%. The prediction analysis using artificial neural network (ANN) and support vector machine (SVM) scoring an accuracy of 93.09% and 100% with nonlinear HRV indices as input thus has been suggested to be a tool of prognostic importance.