طراحی و ساخت نرم‌افزار Iran CDX برای تشخیص بدخیمی و دیسپلازی در نمونه‌های سیتولوژی با برس دهان و ارزیابی عملکرد آن

...

  • سارا عرب لودریچه Sara Arab Loodaricheh دکترای تخصصی، گروه بیماری‌های دهان، فک و صورت، دانشکده‌ی دندان‌پزشکی، دانشگاه آزاد اسلامي، واحد اصفهان (خوراسگان)، اصفهان، ایران.
  • آرش متقی Arash Mottaghi گروه بیماری‌های دهان، فک و صورت، دانشکده‌ی دندان‌پزشکی، دانشگاه آزاد اسلامي، واحد اصفهان (خوراسگان)، اصفهان، ايران.
  • نوشین افشارمقدم Noushin Afshar Moghadam گروه پاتولوژی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران.
  • بهزاد صادقیان Behzad Sadeghian دکترای تخصصی، دانشکده‌ی متالوژی، دانشگاه صنعتی اصفهان، اصفهان، ایران.
  • مهدی ثمن‌بوی Mehdi Saman Booy گروه برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران.

چکیده

مقدمه: تشخیص زود هنگام سرطان، به دلیل مرگ و میر بالای ناشی از آن، امری حیاتی است. ضایعات پیش‌سرطانی دهان، پتانسیل تبدیل به SCC (Squamous cell carcinomas) یا سرطان سلول سنگفرشی را دارند و باید بررسی شوند. براش سیتولوژی، یک روش ساده است که نمونه‌ای از اپی‌تلیوم می‌دهد. آنالیز کامپیوتری، نقش مهمی در تفسیر نمونه‌های پاتولوژی دارد.

مواد و روش‌ها: نرم‌افزار مورد نظر، توسط گروه مهندسی در شبکه‌ی عصبی طراحی شد و توسط نمونه‌های تهیه شده از بیماران، آموزش دید. در مرحله‌ی بعد، از تعداد 20 بیمار مبتلا به سرطان و 20 فرد سالم، نمونه‌ی براش سیتولوژی تهیه شد. از هر لام، 50 تصویر دیجیتال توسط دوربین زیر‌میکروسکوپ گرفته شد و وارد نرم‌افزار گردید. نتایج به صورت سالم و ناسالم ثبت گردید. داده‌ها توسط نرم‌افزار Excel مورد بررسی آماری قرار گرفتند.

يافته‌ها: نرم‌افزار مورد مطالعه در کل 2000 تصویر دیجیتال، 91 خطا داشت. مقایسه‌ی نتایج نرم‌افزار با نتایج اسکالپل بیوپسی بیماران، توسط آزمون فیشر، تفاوت معنی‌داری نشان نداد (0/004 = p value ).

نتیجه‌گیری: بر اساس نتایج این مطالعه، نرم‌افزار طراحی شده، دارای حساسیت و اختصاصیت بالایی می‌باشد.

کلید واژه‌ها:  کارسینومای سلول سنگفرشی، شبکه‌ی عصبی، براش سیتولوژی

مراجع

1. Delavarian Z, Mohtasham N, Mosannen-Mozafari P, Pakfetrat A, Shakeri MT, Ghafoorian-Maddah R. Evaluation of the diagnostic value of a Modified Liquid-Based Cytology using OralCDx Brush in early detection of oral potentially malignant lesions and oral cancer. Med Oral Patol Oral Cir Bucal 2010; 15(5): e671-6.
2. Mehrotra R, Gupta A, Singh M, Ibrahim R. Application of cytology and molecular biology in diagnosing premalignant or malignant oral lesions. Mol Cancer 2006; 5: 11.
3. Ahmed HG, Edris AM, Mohmed EA, Hussein MO. Value of centrifugated liquid-based cytology by Papanicolaou and May-Grünwald in oral epithelial cells. Rare Tumors 2009; 1(1): e12.
4. Mehrotra R, Singh MK, Pandya S, Singh M. The use of an oral brush biopsy without computer-assisted analysis in the evaluation of oral lesions: a study of 94 patients. Oral Surg Oral Med Oral Pathol Oral Radiol Endod 2008; 106(2): 246-53.
5. Belsare AD, Mushrif MM. Histopathological image analysis using image processing techniques: An overview. Signal & Image Processing 2012; 3(4): 23-36.
6. Glick M. Burcket’s oral medicine. Shelton, CT: PMPH-USA; 2015.
7. Pérez-Sayánsm M, Somoza-Martín JM, Barros-Angueira F, Reboiras-López MD, Gándara-Vila P, Gándara Rey JM, et al . Exfoliative cytology for diagnosing oral cancer. Biotech Histochem 2010; 85(3): 177-87
8. Kumaresan GD, Jagannathan N. Exfoliative cytology—a predictive diagnostic tool. International Journal of Pharmacy and Pharmaceutical Sciences 2014; 6(5): 1-3.
9. Hegde V, Nambiar S, Yadav N. Efficacy of centrifuged liquid-based cytology over conventional cytology: A comparative study. J Cancer Res Ther 2017; 13(6): 951-5.
10. Mehrotra R. Oral cytology: a concise guide. Berlin, Germany: Springer Science & Business Media; 2013.
11. Madaeni SS, Hasankiadeh NT, Kurdian AR, Rahimpour A. Modeling and optimization of membrane fabrication using artificial neural network and genetic algorithm. Separation and Purification Technology 2010; 76(1): 33-43.
12. Toktaş I, Ozdemir AT. Artificial neural networks solution to display residual hoop stress field encircling a split-sleeve cold expanded aircraft fastener hole. Expert Systems with Applications 2011; 38(1): 553-63.
13. Guo Z, Sha W. Modelling the correlation between processing parameters and properties of maraging steels using artificial neural network. Computational Materials Science 2004; 29(1): 12-28.
14. Marquardt DW. An algorithm for least-squares estimation of nonlinear parameters. Journal of the Society for Industrial and Applied Mathematics 1963; 11(2): 431-41.
15. Remmerbach TW, Pomjanski N, Bauer U, Neumann H. Liquid-based versus conventional cytology of oral brush biopsies: a split-sample pilot study. Clinical oral investigations 2017; (10): 2047-9.
16. Sciubba JJ. Improving detection of precancerous and cancerous oral lesions. Computer-assisted analysis of the oral brush biopsy. U.S. Collaborative OralCDx Study Group. J Am Dent Assoc 1999; 130(10): 1445-57.
چاپ شده
2018-09-23
استناد به مقاله
1.
Sara Arab Loodarichehسعل, Arash Mottaghiآم, Noushin Afshar Moghadamنا, Behzad Sadeghianبص, Mehdi Saman Booyمث. طراحی و ساخت نرم‌افزار Iran CDX برای تشخیص بدخیمی و دیسپلازی در نمونه‌های سیتولوژی با برس دهان و ارزیابی عملکرد آن. مجله دانشکده دندانپزشکی اصفهان [اینترنت]. 23سپتامبر2018 [ارجاع شده 10دسامبر2018];:348-5. Available from: http://jids.journalonweb.ir/index.php/jids/article/view/1394

میزان دانلود در سال میلادی جاری

Download data is not yet available.

 

سخن سردبیر

دکتر رامین مشرف

مجله‌ دانشکده دندان‌پزشکی اصفهان از سال 1383 به زبان فارسی و با هدف انتشار ماحصل زحمات پژوهشی اساتید و دانشجویان دندان‌پزشکی ....

ادامه

شماره کنونی

پشتیبانی و راهنمایی

کلیه حقوق مادی و معنوی این سایت متعلق به دانشگاه علوم پزشکی اصفهان می باشد