پیش‌بینی درجات تومور مغزی گلیوما با استفاده از یادگیری ماشین گروهی

امامی, حجت; آذرنوید, بابک; عبدالحسین‌زاده, محسن

EN FA

دوره 22، شماره 4 - ( 12-1404 ) جلد 22 شماره 4 صفحات 101-122 | برگشت به فهرست نسخه ها

Mendeley

Zotero

RefWorks

Emami H, Azarnavid B, Abdolhosseinzadeh M. Predicting glioma brain tumor grades using ensemble machine learning. JSDP 2026; 22 (4) : 6
URL: http://jsdp.rcisp.ac.ir/article-1-1484-fa.html

امامی حجت، آذرنوید بابک، عبدالحسین‌زاده محسن. پیش‌بینی درجات تومور مغزی گلیوما با استفاده از یادگیری ماشین گروهی. پردازش علائم و داده‌ها. 1404; 22 (4) :122-101

URL: http://jsdp.rcisp.ac.ir/article-1-1484-fa.html

پیش‌بینی درجات تومور مغزی گلیوما با استفاده از یادگیری ماشین گروهی

حجت امامی^*

، بابک آذرنوید

، محسن عبدالحسین‌زاده

دانشیار دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه بناب، بناب، ایران

چکیده: (264 مشاهده)

گلیوماها شایع‌ترین تومورهای اولیه دستگاه عصبی‌اند که انواع مختلفی از تومورها با درجات مختلف بدخیمی را شامل می‌شوند. تشخیص و درجه‌بندی دقیق این تومورها به‌دلیل ماهیت تهاجمی و پیش‌رونده برخی از انواع آن، به یک چالش اساسی در حوزه پزشکی تبدیل شده‌است. این پژوهش بر روی یک مجموعه‌داده عمومی شامل ۸۳۹ نمونه از پایگاه‌ داده TCGA (اطلس ژنوم سرطان) انجام شده‌است؛ داده‌ها شامل بیست ویژگی ژنتیکی (وضعیت جهش در ژن‌هایی همانند IDH1، TP53 و ATRX) و سه ویژگی بالینی (نژاد، جنسیت و سن) هستند که هدف، دسته‌بندی تومورها به دو گروه گلیوما درجه پایین و گلیوبلاستوما است؛ تاکنون چندین مدل یادگیری ماشین برای حل مسئله تشخیص و درجه‌بندی گلیوما ارائه شده‌است که به نتایج قابل ‌قبولی دسته یافته‌اند؛ بااین‌حال، تلاش در این زمینه جهت توسعه مدلی با بیشترین کارایی در دسته‌بندی و درجه‌بندی تومورها نیاز است؛ زیرا کارایی مدل‌های موجود با حالت ایدئال فاصله زیادی دارد. نوآوری این پژوهش، ارائه یک چهارچوب یادگیری ماشین گروهی دولایه (EML) است که برای نخستین‌بار از ترکیب چهار مدل یادگیر پایه شامل یادگیری ماشین بردار پشتیبان (SVM)، تقویت دسته‌بندی (CatBoost)، درختهای به‌شدت تصادفی (ERT) و جنگل تصادفی (RF) جهت تنوع‌بخشی و افزایش دقت دسته‌بندی و همچنین یک متامدل شامل رگرسیون لجستیک (LR) استفاده می‌کند؛ همچنین، از یک رویکرد ترکیبی خلاقانه متشکل از الگوریتم‌های Boruta و SHAP برای انتخاب زیرمجموعه بهینه ویژگی‌ها بهره گرفته شده‌است. این رویکرد با هدف کاهش واریانس، جلوگیری از بیش‌برازش و افزایش دقت پیش‌بینی طراحی شده‌است. نتایج آزمایش‌ها روی مجموعه‌داده آزمون حاکی از آن است که مدل پیشنهادی ELM با کسب مقدار صحت 89.29 درصد روی مجموعه‌داده آزمون بهترین رتبه را در بین سایر مدل‌های همتا کسب کرده‌است؛ همچنین الگوریتم‌های RF و LR به‌ترتیب با کسب مقدار صحت 87.27 درصد و 86.88 درصد روی داده‌های آزمون در جایگاه دوم و سوم قرار گرفتند.

شماره‌ی مقاله: 6

واژه‌های کلیدی: تومور مغزی گلیوما، تشخیص گلیوما، داده‌کاوی، یادگیری گروهی، بهینه‌سازی پارامتر

متن کامل [PDF 1798 kb] (93 دریافت)

نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1404/5/21 | پذیرش: 1404/7/14 | انتشار: 1404/12/29 | انتشار الکترونیک: 1404/12/29

فهرست منابع

1. D. N. Louis et al., "The 2007 WHO classification of tumours of the central nervous system," Acta Neuropathol, vol. 114, no. 2, pp. 97-109, 2007, doi: 10.1007/s00401-007-0243-4. [DOI:10.1007/s00401-007-0243-4]

2. M. A. Naser and M. J. Deen, "Brain tumor segmentation and grading of lower-grade glioma using deep learning in MRI images," Comput Biol Med, vol. 121, p. 103758, 2020, doi: 10.1016/j.compbiomed.2020.103758. [DOI:10.1016/j.compbiomed.2020.103758]

3. A. Krauze, "Using Artificial Intelligence and Magnetic Resonance Imaging to Address Limitations in Response Assessment in Glioma," Oncology Insights, vol. 1, pp. 1-14, 2022, doi: 10.55085/oi.2022.616. [DOI:10.55085/oi.2022.616]

4. S. Pereira, R. Meier, V. Alves, M. Reyes, and C. A. Silva, "Automatic brain tumor grading from MRI data using convolutional neural networks and quality assessment," in International Workshop on Machine Learning in Clinical Neuroimaging, Cham: Springer International Publishing, 2018, pp. 106-114. [DOI:10.1007/978-3-030-02628-8_12]

5. K. O. Almansory and F. Fraioli, "Combined PET/MRI in brain glioma imaging," Br J Hosp Med, vol. 80, no. 7, pp. 380-386, 2019, doi: 10.12968/hmed.2019.80.7.380. [DOI:10.12968/hmed.2019.80.7.380]

6. J. Tiefenbach et al., "The use of advanced neuroimaging modalities in the evaluation of low-grade glioma in adults: a literature review," Neurosurg Focus, vol. 56, no. 2, 2024, doi: 10.3171/2023.11.FOCUS23649. [DOI:10.3171/2023.11.FOCUS23649]

7. E. Tasci, Y. Zhuge, H. Kaur, K. Camphausen, and A. V. Krauze, "Hierarchical Voting-Based Feature Selection and Ensemble Learning Model Scheme for Glioma Grading with Clinical and Molecular Characteristics," Int J Mol Sci, vol. 23, no. 22, 2022, doi: 10.3390/ijms232214155. [DOI:10.3390/ijms232214155]

8. P. Wesseling and D. Capper, "WHO 2016 Classification of gliomas," Neuropathol Appl Neurobiol, vol. 44, no. 2, pp. 139-150, 2018, doi: 10.1111/nan.12432. [DOI:10.1111/nan.12432]

9. M. Platten and D. A. Reardon, "Concepts for Immunotherapies in Gliomas," Semin Neurol, vol. 38, no. 1, pp. 62-72, 2018, doi: 10.1055/s-0037-1620274. [DOI:10.1055/s-0037-1620274]

10. R. L. Soiza, A. I. C. Donaldson, and P. K. Myint, "Treatment of glioblastoma in adults," Ther Adv Vaccines, vol. 9, no. 6, pp. 259-261, 2018. [DOI:10.1177/2042098618769568]

11. R. Sánchez-Marqués, V. García, and J. S. Sánchez, "A data-centric machine learning approach to improve prediction of glioma grades using low-imbalance TCGA data," Sci Rep, vol. 14, no. 1, pp. 1-16, 2024, doi: 10.1038/s41598-024-68291-0. [DOI:10.1038/s41598-024-68291-0]

12. M. N. Samara and K. D. Harry, "Integrating Boruta , LASSO , and SHAP for Clinically Interpretable Glioma Classification Using Machine Learning," BioMedInformatics, vol. 5, no. 34, pp. 1-26, 2025. [DOI:10.3390/biomedinformatics5030034]

13. S. Deepak and P. M. Ameer, "Brain tumor classification using deep CNN features via transfer learning," Comput Biol Med, vol. 111, p. 103345, 2019, doi: 10.1016/j.compbiomed.2019.103345. [DOI:10.1016/j.compbiomed.2019.103345]

14. A. Alksas et al., "A Novel System for Precise Grading of Glioma," Bioengineering, vol. 9, no. 10, pp. 1-21, 2022, doi: 10.3390/bioengineering9100532. [DOI:10.3390/bioengineering9100532]

15. X. Wang et al., "Machine learning models for multiparametric glioma grading with quantitative result interpretations," Front Neurosci, vol. 13, no. JAN, p. 432416, Jan. 2019, doi: 10.3389/FNINS.2018.01046/BIBTEX. [DOI:10.3389/fnins.2018.01046]

16. L. Wen, H. Sun, G. Liang, and Y. Yu, "A deep ensemble learning framework for glioma segmentation and grading prediction," Sci Rep, vol. 15, no. 1, pp. 1-15, Dec. 2025, doi: 10.1038/S41598-025-87127-Z;SUBJMETA. [DOI:10.1038/s41598-025-87127-z]

17. X. Xia, W. Wu, Q. Tan, and Q. Gou, "Interpretable Machine Learning Models for Differentiating Glioblastoma From Solitary Brain Metastasis Using Radiomics," Acad Radiol, vol. 32, no. 9, pp. 5388-5400, Sep. 2025, doi: 10.1016/J.ACRA.2025.05.016. [DOI:10.1016/j.acra.2025.05.016]

18. R. C. Joshi, R. Mishra, P. Gandhi, V. K. Pathak, R. Burget, and M. K. Dutta, "Ensemble based machine learning approach for prediction of glioma and multi-grade classification," Comput Biol Med, vol. 137, p. 104829, Oct. 2021, doi: 10.1016/J.COMPBIOMED.2021.104829. [DOI:10.1016/j.compbiomed.2021.104829]

19. S. Gutta, J. Acharya, M. S. Shiroishi, D. Hwang, and K. S. Nayak, "Improved Glioma Grading Using Deep Convolutional Neural Networks," American Journal of Neuroradiology, vol. 42, no. 2, pp. 233-239, 2021. [DOI:10.3174/ajnr.A6882]

20. J. Cheng, J. Liu, H. Yue, H. Bai, Y. Pan, and J. Wang, "Prediction of Glioma Grade Using Intratumoral and Peritumoral Radiomic Features From Multiparametric MRI Images," IEEE/ACM Trans Comput Biol Bioinform, vol. 19, no. 2, pp. 1084-1095, 2022, doi: 10.1109/TCBB.2020.3033538. [DOI:10.1109/TCBB.2020.3033538]

21. T. R. Noviandy, G. M. Idroes, and I. Hardi, "Integrating explainable artificial intelligence and light gradient boosting machine for glioma grading," Informatics and Health, vol. 2, no. 1, pp. 1-8, 2025, doi: 10.1016/j.infoh.2024.12.001. [DOI:10.1016/j.infoh.2024.12.001]

22. S. M. Lundberg and S. Lee, "A Unified Approach to Interpreting Model Predictions," in 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA, 2017, pp. 1-10.

23. J. T. Hancock and T. M. Khoshgoftaar, "CatBoost for big data: an interdisciplinary review," J Big Data, vol. 7, no. 94, 2020, doi: 10.1186/s40537-020-00369-8. [DOI:10.1186/s40537-020-00369-8]

24. A. Verikas, A. Gelzinis, and M. Bacauskiene, "Mining data with random forests : A survey and results of new tests," Pattern Recognit, vol. 44, no. 2, pp. 330-349, 2011, doi: 10.1016/j.patcog.2010.08.011. [DOI:10.1016/j.patcog.2010.08.011]

25. P. Geurts, D. Ernst, and L. Wehenkel, "Extremely randomized trees," Mach Learn, vol. 63, no. 1, pp. 3-42, 2006, doi: 10.1007/s10994-006-6226-1. [DOI:10.1007/s10994-006-6226-1]

26. S. Lavanya, S. V. Annlin Jeba, P. Bhuvaneswari, and F. H. Shajin, "Support vector machine classifier optimized with seagull optimization algorithm for brain tumor classification," Concurr Comput, vol. 35, no. 1, pp. 1-13, 2023, doi: 10.1002/cpe.7396. [DOI:10.1002/cpe.7396]

27. M. Maalouf, "Logistic regression in data analysis: An overview," International Journal of Data Analysis Techniques and Strategies, vol. 3, no. 3, pp. 281-299, 2011, doi: 10.1504/IJDATS.2011.041335. [DOI:10.1504/IJDATS.2011.041335]

28. I. M. De Diego, A. R. Redondo, R. R. Fernández, J. Navarro, and J. M. Moguerza, "General Performance Score for classification problems," Applied Intelligence, vol. 52, no. 10, pp. 12049-12063, 2022, doi: 10.1007/s10489-021-03041-7. [DOI:10.1007/s10489-021-03041-7]

29. خدادای، الناز، حسینی، راحیل، مزینانی مهدی، «ارائة مدل‌های محاسبات نرم مبتنی بر فازی، تکاملی و هوش جمعی در تحلیل تصاویر ماموگرافی جهت تشخیص تومور‌های سینه»، فصلنامة پردازش علائم و داده ها، دورة۱۶، شمارة ۲، صفحات ۱۶۵-۱۴۷، ۱۳۹۸.

29. E. Khodadadi, R. Hosseini, M. Mazinani, "Soft Computing Methods based on Fuzzy, Evolutionary and Swarm Intelligence for Analysis of Digital Mammography Images for Diagnosis of Breast Tumors," Journal of Signal and Data Processing, vol. 16, no. 2, pp. 147-165, 2019, doi: 10.29252/jsdp.16.2.147. [DOI:10.29252/jsdp.16.2.147]

30. آذرنوید، بابک، عبدالحسین زاده، محسن، امامی، حجت، «مدل یادگیری ماشین انباشته برای دسته‌بندی و پیش‌بینی بیماری‌های کبدی»، فصلنامة پردازش علائم و داده ها، دورة22، شمارة ۲، صفحات 79-96، 1404.

30. B. Azarnavid, M. Abdolhosseinzadeh, H. Emami, "Stacking machine learning model for classification and prediction of liver diseases," Journal of Signal and Data Processing, vol. 22, no. 2, pp. 79-96, 2025, doi: 10.61882/jsdp.22.2.79. [DOI:10.61882/jsdp.22.2.79]

ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
	این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.