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

نوع مقاله : Original Articles

نویسندگان

1 دکترای تخصصی، گروه بیماری‌های دهان، فک و صورت، دانشکده‌ی دندان‌پزشکی، دانشگاه آزاد اسلامی، واحد اصفهان (خوراسگان)، اصفهان، ایران.

2 گروه بیماری‌های دهان، فک و صورت، دانشکده‌ی دندان‌پزشکی، دانشگاه آزاد اسلامی، واحد اصفهان (خوراسگان)، اصفهان، ایران.

3 گروه پاتولوژی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران.

4 دکترای تخصصی، دانشکده‌ی متالوژی، دانشگاه صنعتی اصفهان، اصفهان، ایران.

5 گروه برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران.

10.48305/v0i0.1394

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.
یافته‌ها: 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

عنوان مقاله [English]

Designing and Development of Iran CDX Software Program for the Diagnosis of Malignancies and Dysplasia in Oral Brush Cytology Samples and Evaluation of Its Performance

نویسندگان [English]

  • Sara Arab Loodaricheh 1
  • Arash Mottaghi 2
  • Noushin Afshar Moghadam 3
  • Behzad Sadeghian 4
  • Mehdi Saman Booy 5
1 Postgraduate, Department of Oral Medicine, School of Dentistry, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran.
2 Department of Oral Medicine, School of Dentistry, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran.
3 Department of Pathology, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran.
4 Postgraduate, Department of Materials, Isfahan University of Technology, Isfahan, Iran.
5 Department of Electrical and Computer, Isfahan University of Technology, Isfahan, Iran.
چکیده [English]

Introduction: Due to high mortality rate and prevalence of cancer, early detection is vital and important. Precancerous oral lesions have the potential to lead to SCC and therefore they should be carefully assessed. Brush cytology is a simple method, which obtains a sample from the epithelium. Computer analyses have an important role in interpretation of pathologic samples.
Materials & Methods: An engineering team designed the software with neural networks, and the algorithm was trained with samples obtained from patients. In the second stage, brush cytology samples were collected from 20 patients with cancer and 20 healthy individuals. From each slide 50 digital images was captured with a camera under a microscope. The images were separately entered into the software program. The results were recorded as healthy and unhealthy. Statistical analyses were performed using Excel program.
Results: The software had 91 errors in a total of 2000 digital images. Comparison of the results provided by the software program and those of the scalpel biopsy of the patients with Fisher's exact test did not reveal any significant differences (p value = 0.004).
Conclusion: Based on the results of this study, the designed software exhibited high specificity and sensitivity.
Key words: Brush cytology, Neural networks, SCC.

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. Perez-Sayansm M, Somoza-Martin JM, Barros-Angueira F, Reboiras-Lopez MD, Gandara-Vila P, Gandara 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.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار