دانلود ترجمه مقاله پتانسیل های رادیومیک در تشخیص و درمان سرطان

1. مقدمه 2. رویکردهای بنیادی رادیومیک 3. روش تجزیه و تحلیل رادیومیک 4. پیش بینی پیش آگهی قبل از درمان با استفاده از رادیومیک 5. آینده رادیومیک و CAD

چکیده – تشخیص به کمک رایانه ( CAD) جزئی است که اساساً مبتنی بر تشخیص الگو است که باعث صحت تشخیصی پزشک می شود و "نظر" رایانه را که از تجزیه و تحلیل کمی تصاویر رادیولوژیکی بدست آمده است ، بهبود می بخشد. رادیومیک رشته مبتنی بر داده ها است که به طور گسترده و جامع ، تعداد زیادی از تصاویر پزشکی را به منظوراستخراج تعداد زیادی از ویژگی های فنوتیپی مرتبط با بیماری ، تجزیه و تحلیل می کند. و همچنین به بررسی ارتباطات بین ویژگی ها و پیش آگهی های بیماران برای تشخیص دقیق پزشکی می پردازد. براساس تعاریف مطرح شده ، ممکن است بنظر بیاید که رادیومیک یک تعریف از CAD نیست ، اما همچنین ممکن است این تعاریف به عنوان یک "دستکاری تصویر" تلقی بشوند. با این حال ، ویژگی های مشترک و متفاوتی بین این دو بخش وجود دارد. این مقاله مروری به بررسی این ویژگی های متداول و متفاوت می پردازد و همچنین توانایی رادیومیک در مقایسه با CAD برای تشخیص و درمان سرطان را بررسی می کند. مقدمه: آیا رادیومیک فقط یک تعریق از "تشخیص به کمک رایانه" (CAD) است؟ نویسندگان ادعا می کنند که ویژگی های متفاوتی بین رادیومیک "جاری" و CAD "مرسوم" وجود دارد. در جدول 1 مقایسه بین رادیومیک جاری و CAD مرسوم نشان داده شده است که به تدریج در حال تغییر خواهد بود. CAD با موضوعات تشخيص راديولوژيك از جمله ضايعات از دست رفته يا اشتباه تشخیص داده شده از نظر تشخيص و تمايز ، سروكار داشته است. از طرف دیگر ، رادیومیک به مسائل مربوط به پزشکی دقیق می پردازد ، که یک روش درمانی برای تصمیم گیری در مورد عوامل هدفمند مولکولی مبتنی بر جهش های ژنتیکی است نه ارگان های آسیب دیده. با این حال ، در مورد پزشکی دقیق مسائل مهمی از جمله، ضرورت بیوپسی تهاجمی ، هزینه اضافی و کندی کار مطرح است. علاوه بر این ، اطلاعات به دست آمده از قطعات کوچک بافت های توموری ناهمگن استخراج شده از یک تک نمونه بیوپسی یا از یک نمونه خون می تواند نادرست باشد ، زیرا شاخصه های بیان ژن همراه با پیش آگهی خوب و ضعیف ممکن است در مناطق مختلف با همان تومور شناسایی شوند. شاخصه بیان ژن مجموعه ای یا ترکیبی از ژن ها در یک سلول با الگوی منحصر به فرد از بیان ژن است و نشانگر بیولوژیکی پیش آگهی محسوب می شود. در مقابل ، تصاویر پزشکی و ویژگی های تصویر مربوطه از آنها توانایی بسیار بالایی برای ضبط اطلاعات احتمالاً "كلی" و پیش آگهی درباره ناهمگونی درون توموری به روشهای غیر تهاجمی ، كم هزینه و سریع دارد.

Computer-aided diagnosis (CAD) is a field that is essentially based on pattern recognition that improves the accuracy of a diagnosis made by a physician who takes into account the computer’s “opinion” derived from the quantitative analysis of radiological images. Radiomics is a field based on data science that massively and comprehensively analyzes a large number of medical images to extract a large number of phenotypic features reflecting disease traits, and explores the associations between the features and patients’ prognoses for precision medicine. According to the definitions for both, you may think that radiomics is not a paraphrase of CAD, but you may also think that these definitions are “image manipulation”. However, there are common and different features between the two fields. This review paper elaborates on these common and different features and introduces the potential of radiomics for cancer diagnosis and treatment by comparing it with CAD. Introduction: Is “radiomics” just a paraphrase of “computer-aided diagnosis (CAD)”? The authors claim that there are common and different features between “current” radiomics and “conventional” CAD. Table 1 shows the comparisons of current radiomics with conventional CAD, which will gradually be changing. CAD has dealt with issues of radiological diagnosis such as missed or misunderstood lesions in terms of detection and differentiation [1–3]. On the other hand, radiomics addresses the issues of precision medicine [4, 5], which is a treatment strategy for making decisions about molecularly targeted agents based on genetic mutations rather than affected organs. However, there have been several issues with regard to precision medicine, e.g., the necessity for invasive biopsy, additional cost, and slow throughput procedures [6]. In addition, the information obtained from small pieces of heterogeneous tumor tissues extracted from a single biopsy specimen or from a blood sample could be inaccurate, because gene-expression signatures associated with good and poor prognoses may be detected in different regions of the same tumor [7]. The gene-expression signature is a set or combined set of genes in a cell with a unique pattern of gene expression [8] and is considered prognostic biomarker. In contrast, medical images and their corresponding image features have great potential to capture possibly “entire” and prognostic information on intratumoral heterogeneity in non-invasive, low-cost, and rapid ways.

بخشی از ترجمه مقاله (صفحه 4 فایل ورد ترجمه)