ماهنامه علمی پ‍ژوهشی

مقدمه
متاستاز استخوانی یکی از شایع‌ترین پیامدهای پیشرفت سرطان است. متاستاز استخوانی زمانی رخ می‌دهد که سلول‌های سرطانی از محل اولیه خود جدا شده و به استخوان گسترش می‌یابند. استخوان از شایع‌ترین محل‌های انتشار برای سرطان‌هایی مانند پروستات، سینه، ریه و کلیه محسوب می‌شود و بروز آن معمولاً نشان‌دهنده مراحل پیشرفته بیماری است. چنین شرایطی علاوه بر تهدید مستقیم حیات بیمار، می‌تواند کیفیت زندگی او را به‌طور جدی تحت تأثیر قرار دهد (1-3). تشخیص به‌موقع و دقیق این ضایعات، اهمیت زیادی در مرحله‌بندی بیماری، انتخاب درمان مناسب، پیش‌آگهی و ارزیابی پاسخ به درمان دارد. این تشخیص اغلب با ترکیبی از یافته‌های بالینی، آزمایش‌های آزمایشگاهی و به‌ویژه روش‌های تصویربرداری انجام می‌شود. انتخاب مدالیته تصویربرداری مناسب بسته به نوع سرطان اولیه، محل ضایعه، مرحله بیماری، شرایط بالینی بیمار و امکانات موجود متفاوت است (۴). روش‌های تصویربرداری رایج برای شناسایی متاستاز استخوان شامل رادیوگرافی ساده، سی‌تی اسکن (CT)، تصویربرداری تشدید مغناطیسی  (MRI)، اسکن استخوان (BS)، توموگرافی گسیل تک فوتون (SPECT) و توموگرافی گسیل پوزیترون (PET)  می‌باشند (5-7). CT در نمایش جزئیات ساختاری بسیار مفید است اما توان محدودی در شناسایی ضایعات فعال متابولیکی دارد. MRI اگرچه دقت بالایی در بررسی بافت نرم و به‌ویژه مغز و نخاع دارد، اما در تمایز ضایعات خوش‌خیم از بدخیم استخوانی گاهی ناکافی است (7-9). اسکن استخوان با رادیوایزوتوپ‌هایی مانند تکنسیوم-۹۹ام همچنان یکی از روش‌های اصلی در تشخیص متاستاز استخوانی به‌شمار می‌رود. این روش قادر است نواحی با فعالیت متابولیکی غیرطبیعی را آشکار کند و می‌تواند به‌صورت کلی، موضعی یا سه‌بعدی با  SPECT انجام گیرد. مدالیته‌های پیشرفته‌تر مانند PET و       SPECT امکان تصویربرداری عملکردی را فراهم می‌کنند. در   PET از رادیوایزوتوپ‌هایی مانند فلورورئوکسی گلوکز (FDG)  یا سدیم فلوراید (NaF) برای تولید پوزیترون استفاده می‌شود که تصاویری با حساسیت بالا ایجاد می‌کنند (10-12). در SPECT فوتون‌های تک‌پرتو ثبت می‌شوند و تصویری از فعالیت متابولیکی به دست می‌آید (۱۳). به‌طور کلی PET حساسیت بالاتری نسبت به SPECT دارد، اما SPECT به دلیل دسترسی بیشتر همچنان پرکاربرد است (۱۴). هم‌چنین استفاده از سیستم‌های ترکیبی مانند PET/CT امکان ترکیب اطلاعات عملکردی و آناتومیکی را فراهم کرده و باعث افزایش دقت تشخیص و کاهش نیاز به بررسی‌های تکراری می‌شود (۱۵،۱۶). با وجود پیشرفت‌های تصویربرداری، تفسیر نتایج همچنان به تجربه و مهارت متخصصان وابسته است. این موضوع می‌تواند منجر به صرف زمان زیاد و بروز اختلاف نظر بین ناظران شود. در سال‌های اخیر، توسعه روش‌های هوش مصنوعی، به‌ویژه الگوریتم‌های یادگیری ماشین و یادگیری عمیق، زمینه را برای تحلیل خودکار و دقیق‌تر تصاویر پزشکی فراهم کرده است. این رویکردها قادرند علاوه بر کاهش خطاهای انسانی، ضایعات کوچک یا پنهان را شناسایی کنند و بدین ترتیب در بهبود تصمیم‌گیری بالینی نقش مهمی ایفا نمایند (17-20). بر این اساس، هدف مقاله حاضر مرور پژوهش‌های اخیر در زمینه سگمنت‌بندی(segmentation) و طبقه‌بندی(classification) متاستازهای استخوانی با استفاده از الگوریتم‌های یادگیری ماشین(machine learning) و یادگیری عمیق(deep learning) در تصویربرداری هسته‌ای است. در این مرور، روش‌های ارائه ‌شده دسته‌بندی شده، عملکرد آن‌ها مقایسه می‌شود و چالش‌های موجود همچون کمبود داده برچسب‌خورده و مسئله تعمیم‌پذیری مدل‌ها بررسی خواهد شد. در پایان نیز مسیرهای پژوهشی آینده معرفی می‌شوند.
روش بررسی
این مقاله با هدف ارائه‌ دیدی جامع نسبت به مطالعات اخیر در زمینه‌ تشخیص خودکار متاستاز استخوان با استفاده از تکنیک‌های هوش مصنوعی در تصاویر پزشکی هسته‌ای انجام شده است. در مرحله‌ی نخست مجموعاً ۵۷۱ مقاله از پایگاه‌ اطلاعاتی  PubMedبا ترکیب کلیدواژه‌های«bone metastases»، «machine learning»، «deep learning»، «segmentation» و «classification» شناسایی شد و پس از فیلترهای اعمال شده نهایتا ۲۲ مقاله که بیشترین شباهت با هدف را داشتند، انتخاب گردیدند. مقالات پیش از سال ۲۰۱۷ از مطالعه حذف شدند، زیرا چندین مرور جامع تا آن زمان منتشر شده بود که نتایج پژوهش‌های قدیمی‌تر را به‌طور کامل جمع‌بندی کرده بودند. از این‌رو، تمرکز این مطالعه بر مقالات جدیدتر با بهره‌گیری از الگوریتم‌های به‌روز یادگیری ماشین و یادگیری عمیق قرار گرفت تا تصویری دقیق‌تر از روندهای اخیر ارائه شود. فرایند غربالگری در(شکل ۱) قابل ملاحظه است.
بررسی روش‌های یادگیری ماشین
مدل‌های یادگیری ماشین مبتنی بر :SPECT پیش از انتخاب یا ارزیابی الگوریتم‌های یادگیری ماشین، اهمیت فرآیند انتخاب و استخراج ویژگی را نباید نادیده گرفت. کیفیت و نوع ویژگی‌های استخراج‌شده نقش تعیین‌کننده‌ای در عملکرد نهایی مدل ایفا می‌کند. در این راستا، رادیومیکس به‌عنوان رویکردی ساختاریافته برای استخراج ویژگی‌های کمی از تصاویر پزشکی، جایگاه ویژه‌ای یافته است. در سال ۲۰۲۱، پژوهشی، با هدف استفاده از رادیومیکس در تصاویر SPECT/CT برای تمایز بین متاستازهای استخوانی و ضایعات خوش‌خیم انجام شد. در این مطالعه، الگوریتم رگرسیون لاسو (LASSO) جهت انتخاب ویژگی‌ها و اعتبارسنجی متقابل ۱۰ مرحله‌ای برای ارزیابی پایداری مدل‌ها به‌کار گرفته شد. سه مدل مختلفCT، SPECT و مدل ترکیبی ساخته شدند که مدل ترکیبی بهترین عملکرد را نشان داد. هم‌چنین مشاهده شد که رادیومیکس در SPECT/CT می‌تواند به‌عنوان روشی غیرتهاجمی و مؤثر در تشخیص و برنامه‌ریزی درمان متاستازهای استخوانی مورد استفاده قرار گیرد (۲۱). مراحل انجام این پژوهش در (شکل ۲) قابل ملاحظه است. در ادامه، مطالعه‌ای بر روی بیماران مبتلا به سرطان ریه انجام شد. در این پژوهش نیز از LASSO برای انتخاب ویژگی‌ها و از الگوریتم ماشین بردار پشتیبان (SVM) برای ساخت مدل‌های تک‌مدالیتی و دو‌مدالیتی (CT + SPECT) استفاده شد. مدل دو‌مدالیتی بهترین عملکرد را در تشخیص متاستاز استخوانی نسبت به ضایعات خوش‌خیم داشت. با افزودن داده‌های بالینی به مدل، نسخه ادغامی رادیومیکس-کلینیکی ساخته شد که بالاترین دقت را ارائه کرد (۲۲). مطالعه‌ای مشابه در سال ۲۰۲۳ انجام شد و مدل ترکیبی با دستیابی به مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) حدود 94/0، دقت و ارزش بالینی بالاتری نشان داد و برتری آن با تحلیل منحنی تصمیم‌گیری تأیید شد (۲۳). در نهایت، در سال ۲۰۲۵ بر اساس ویژگی‌های رادیومیکس CT و برچسب‌گذاری با تصاویر SPECT چندین مدل یادگیری ماشین مختلف ارزیابی شدند و بهترین عملکرد با ترکیب بوستینگ گرادیانی افراطی (XGBoost) و الگوریتم Kتا از نزدیک‌ترین همسایه‌ها (KNN) به‌دست آمد، به‌گونه‌ای که AUC تا 0/989 در آموزش و 0/975 در آزمون رسید و حتی متاستازهای میکروسکوپی نامرئی در CT نیز شناسایی شدند (۲۴). در (جدول ۱) متد انتخابی، نتایج و محدودیت‌های مربوط به مطالعات بیان شده بررسی شده است.
مدل‌های یادگیری ماشین مبتنی بر :PET در سال ۲۰۱۸، مطالعه‌ای با هدف توسعه روش طبقه‌بندی خودکار برای بیماران مبتلا به سرطان پروستات مقاوم به اختگی متاستاتیک (MCRPC) انجام شد. در این پژوهش، تکنیک‌های مختلف یادگیری ماشین روی ۳۷ بیمار تست شد که این بیماران پیش از شروع درمان با PET/CT اسکن شدند و پزشکان هسته‌ای در مجموع ۱۷۵۱ ضایعه شامل ضایعات خوش‌خیم، بدخیم و غیرقطعی را شناسایی و طبقه‌بندی کردند (۲۵). علاوه بر تشخیص نواحی دچار متاستاز، ایجاد تمایز میان ضایعات متاستاتیک استخوانی و ضایعات اسکلروتیک کاملاً پاسخ‌ داده، نقش مهمی در تصمیم‌گیری متخصصان دارد. بر همین اساس، در سال ۲۰۱۹ مطالعه‌ای بر روی بیماران مبتلا به سرطان پروستات انجام شد. در این پژوهش، تصاویر  PET/CT  مربوط به ۷۵ بیمار پس از درمان بررسی شدند و با استفاده از میزان جذب آنتی‌ژن غشایی اختصاصی پروستات (PSMA) درPET، ضایعات به دو گروه متاستاتیک و اسکلروتیک بدون جذب تقسیم شدند. در این مطالعه تحلیل عددی تنها روی تصاویر CT انجام گرفت (۲۶). در سال ۲۰۲۲، روشی برای شناسایی ضایعات اولیه و متاستاتیک در نواحی ریه، گردن، مدیاستینوم و استخوان‌ها با استفاده از رادیوداروی FDG درتصاویر PET/CT    ارائه شد. روش پیشنهادی بر پایه استخراج نواحی آناتومیک و چارچوب یادگیری ماشین یکپارچه بود که بدون نیاز به ویژگی‌های خاص منطقه‌ای، قادر به شناسایی ضایعات در هر ناحیه می‌باشد (۲۷). در همان سال، مطالعه‌ای با هدف بررسی قابلیت‌های رادیومیکس برای تمایز بین میلوم متعدد (MM) و متاستاز استخوانی با استفاده از تصاویر PET/CT منتشر شد. این تحقیق شامل ۱۸۴ ضایعه از ۱۳۱ بیمار بین سال‌های ۲۰۱۷ تا ۲۰۲۱ بود و تصاویر توسط پزشکان با تجربه به‌صورت دستی آنالیز شد و ۲۷۹ ویژگی رادیومیکس از نواحی موردنظر استخراج گردید (۲۸). با هدفی مشابه و با استفاده از تکنیک‌های رادیومیکس و یادگیری ماشین مطالعه‌ دیگری انجام شد که در این پژوهش، ۴۰ بیمار (۲۰ مورد میلوم متعدد و ۲۰ مورد متاستاز استخوانی) بررسی شدند و ۱۳۸ ویژگی رادیومیکس از تصاویر PET و CT استخراج شد. با استفاده از روش‌های انتخاب ویژگی و الگوریتم‌های مختلف یادگیری ماشین، مدل‌هایی ساخته شد که بهترین عملکرد تشخیصی با بیشینه AUC حدود 95/0 را در تفکیک این دو بیماری نشان دادند. نتایج نشان داد مدل‌های مبتنی بر ویژگی‌های CT عملکرد بهتری نسبت به PET داشتند و ترکیب این دو داده عملکرد بهینه‌تری ارائه کرد. این مطالعه اهمیت استفاده از مدل‌های یادگیری ماشین در بهبود دقت تشخیص و کمک به تصمیم‌گیری بالینی را تأیید کرد (۲۹). در نهایت، در سال ۲۰۲۵ نشان داده شد که رادیومیکس در تصاویر PET/CT با رادیوداروی PSMAبه‌ویژه برای کاربران کم‌تجربه می‌تواند در تمایز متاستازهای استخوانی از جذب‌های غیر اختصاصی استخوانی مفید باشد (۳۰). نتایج تمام مطالعات معرفی شده‌ فوق در (جدول ۲) جمع‌آوری گشته است.
 




شکل۱: فرآیند فیلتر و انتخاب مقالات برای مرور سیستماتیک




شکل۲: فلوچارت استفاده از رادیومیکس در تصاویر SPECT/CT برای تمایز بین متاستازهای استخوانی و ضایعات خوش‌خیم (۲۱)
جدول۱: مروری بر مطالعات مبتنی بر یادگیری ماشین با پردازش تصاویر SPECT




بررسی روش‌های یادگیری عمیق: با پیشرفت فناوری و افزایش حجم داده‌های تصویربرداری پزشکی، روش‌های یادگیری عمیق به‌عنوان نسل جدیدی از الگوریتم‌های هوش مصنوعی، در تشخیص متاستاز استخوانی جایگاه ویژه‌ای یافته‌اند و مطالعات متعددی به استفاده از مدل‌های یادگیری عمیق برای بهبود دقت تشخیص و طبقه‌بندی ضایعات استخوانی پرداخته‌اند.
مدل‌های یادگیری عمیق مبتنی بر  :SPECTدر مطالعاتی که با موضوع تشخیص و بخش‌بندی متاستاز استخوانی در تصاویر SPECT انجام شده، طیف وسیعی از روش‌های یادگیری عمیق مورد استفاده قرار گرفته است. برخی پژوهش‌ها بر تقسیم‌بندی خودکار نقاط با جذب بالا(Hotspots) در تصاویر SPECT  تمرکز کرده‌اند و با استفاده از مدل‌هایی مانند U-Net و Mask R-CNN همراه با تکنیک‌های افزایش داده، سعی در بهبود تعمیم‌پذیری و دقت مدل‌ها داشته‌اند (۳۱). در پژوهش‌های دیگر، تمرکز بر طبقه‌بندی خودکار متاستاز استخوان با شبکه عصبی پیچشی (CNN) متنوع مانندVGG ، ResNet و DenseNet  بوده است و نشان داده شده که مدل‌هایی مانند VGG-21 می‌توانند عملکرد بسیار خوبی در معیارهایی همچون AUC و F1 Score داشته باشند (۳۲). رویکردهای بخش‌بندی چندکلاسه نیز با ترکیب یادگیری نظارتی، غیرنظارتی و نیمه‌نظارتی توسعه یافته‌اند تا امکان استفاده بهینه از داده‌های محدود برچسب‌دار فراهم شود و بخش‌بندی ضایعات، استخوان و زمینه به صورت دقیق انجام گیرد. برخی مطالعات به توسعه شبکه‌های CNN اختصاصی برای تشخیص متاستاز در بیماران مبتلا به سرطان ریه پرداخته‌اند که با ادغام تصاویر قدامی و خلفی و حذف نواحی غیرضروری مانند مثانه، دقت مدل را افزایش داده‌اند (۳۳) .هم‌چنین، پژوهش‌هایی چارچوب‌های چندوجهی ارائه کرده‌اند که ویژگی‌های تصویری و متنی گزارش‌های تشخیصی را با هم تلفیق می‌کنند تا عملکرد بخش‌بندی بهبود یابد. نتایج تقسیم‌بندی مدل پیشنهادی در( شکل ۳) قابل ملاحظه است که در آن خطوط زرد نشان‌دهنده‌ی تقسیم‌بندی واقعی (Ground Truth) است، در حالی‌که خطوط قرمز تقسیم‌‌بندی پیش‌بینی‌شده را نشان می‌دهند (۳۴،۳۵). در کنار آن، چارچوب‌های مبتنی بر U-Net با ماژول توجه تعاملی (IAM) توسعه یافته‌اند که امکان بخش‌بندی دقیق با حداقل تعامل پزشک را فراهم می‌کنند و می‌توانند نرخ مثبت کاذب را کاهش دهند. نهایتاً، مطالعاتی نیز یادگیری خصمانه شرطی (cGAN) با استخراج ویژگی چندمقیاسی را به‌کار برده‌اند، که توانسته‌اند بخش‌بندی ضایعات، به‌ویژه ضایعات کوچک و خوشه‌ای را بهبود داده و عملکرد مدل‌های کلاسیک و حتی پیشرفته‌تر را ارتقا دهند (۳۶،۳۷). جزئیات هر یک از این مقالات و روش‌های به‌کار رفته در آن‌ها را می‌توانید در (جدول۳) زیر ملاحظه کنید. مدل‌های یادگیری عمیق مبتنی بر PET:  بررسی مطالعات اخیر نشان می‌دهد که کاربرد یادگیری عمیق در تحلیل تصاویر PET/CT  سرطان پروستات رو به گسترش است. در سال ۲۰۲۲، Trägårdh و همکارانش یک روش کاملاً خودکار مبتنی بر هوش مصنوعی برای تشخیص و کمی‌سازی تومور و متاستاز ارائه دادند. در نهایت در سال ۲۰۲۳، Lindgren Belal و همکاران مدلی مبتنی بر CNN برای برآورد خودکار بار تومور اسکلتی معرفی کردند و  Schott و همکاران نیز از معماری nnUNet  برای بخش‌بندی متاستازهای استخوانی استفاده کردند. توضیحات تکمیلی مربوط به اهداف، روش‌ها و یافته‌های هر مطالعه در )جدول۴( زیر ارائه شده است (4-38).
روش‌های مبتنی بر یادگیری ماشین و یادگیری عمیق:  علاوه بر رویکردهای صرفاً مبتنی بر یادگیری ماشین و یادگیری عمیق، برخی مطالعات از ترکیب این دو بهره برده‌اند. برای نمونه، پژوهش Weiming Xieو همکاران در سال ۲۰۲۵ با طراحی یک مدل دو مرحله‌ای، ابتدا از یادگیری عمیق برای بخش‌بندی ضایعات در تصاویر SPECT/CT بهره برده و سپس با استفاده از طبقه‌بندهای رادیومیکس مبتنی بر یادگیری ماشین، ضایعات خوش‌خیم و بدخیم را از یکدیگر تفکیک کرده است. هم‌چنین،  Bangning Ji در سال ۲۰۲۴ با به‌کارگیری ResNet34 برای استخراج‌کننده ویژگی و الگوریتم جنگل تصادفی برای طبقه‌بندی، رویکردی ترکیبی را برای تشخیص متاستازهای استخوانی پیشنهاد داده است. این رویکردهای هیبریدی چند مزیت کلیدی دارند: نخست، توانایی یادگیری عمیق در استخراج خودکار ویژگی‌های پیچیده و چندمقیاسی از تصاویر پزشکی را با تفسیرپذیری و پایداری الگوریتم‌های یادگیری ماشین تلفیق می‌کنند؛ دوم، در شرایطی که حجم داده محدود است، استفاده از طبقه‌بندهای کلاسیک می‌تواند مشکل بیش‌برازش مدل‌های عمیق را کاهش دهد؛ و در نهایت، این ترکیب اغلب موجب بهبود دقت طبقه‌بندی و افزایش قابلیت اعتماد نتایج می‌شود. بنابراین، رویکردهای هیبریدی، به‌ویژه در حوزه تصویربرداری پزشکی با داده‌های محدود، می‌توانند مزیتی مهم نسبت به استفاده منفرد از هر یک از این روش‌ها داشته باشند (۴1،۴2).
 

جدول۲: مروری بر مطالعات مبتنی بر یادگیری ماشین با پردازش تصاویر PET








شکل۳: نتایج قطعه‌بندی: خط زرد واقعیت، خط قرمز پیش‌بینی(۳۵)


جدول۳: مروری بر مطالعات مبتنی بر یادگیری عمیق با پردازش تصاویر SPECT





جدول۴: مروری بر مطالعات مبتنی بر یادگیری عمیق با پردازش تصاویر PET



جدول۵: عملکرد کلی مدل‌های منتخب




بحث
این مرور جامع، مطالعات مربوط به تشخیص متاستازهای استخوانی را در چهار دسته اصلی بررسی کرده است: یادگیری ماشین، یادگیری عمیق، تصاویر PET و تصاویر .SPECT این دسته‌بندی امکان تحلیل دقیق‌تر پیشرفت‌ها، محدودیت‌ها و چشم‌اندازهای هر رویکرد را فراهم می‌کند.
یادگیری ماشین: مطالعات مبتنی بر یادگیری ماشین، به‌ویژه با استفاده از رادیومیکس، نشان داده‌اند که می‌توانند ضایعات متاستاتیک را از ضایعات خوش‌خیم با دقت بالا تمایز دهند. ویژگی‌های مناسب، الگوریتم‌هایی مانند  ماشین بردار پشتیبان، جنگل تصادفی و  XGBoostو هم‌چنین ترکیب داده‌های چند مدالیته CT) و (SPECT عملکرد مدل‌ها را بهبود می‌بخشند. با این وجود، محدودیت‌هایی مانند انجام مطالعات در یک مرکز، فقدان اعتبارسنجی خارجی و نبود داده‌های آسیب‌شناسی جامع، تعمیم نتایج به جمعیت‌های دیگر را محدود می‌کند.
یادگیری عمیق: الگوریتم‌های یادگیری عمیق توانسته‌اند تحولی چشمگیر در تحلیل تصاویر پزشکی هسته‌ای ایجاد کنند. با تمرکز بر بخش‌بندی خودکار نقاط با جذب بالا و طبقه‌بندی ضایعات، مدل‌هایی مانند U-Net،Mask R-CNN و شبکه‌های عصبی پیچشی متنوعVGG)، ResNet، (DenseNet دقت بالایی در معیارهایی نظیر AUC و F1 Score ارائه داده‌اند. چارچوب‌های چندوجهی و روش‌های یادگیری خصمانه شرطی (cGAN) به ویژه در بهبود شناسایی ضایعات کوچک و خوشه‌ای مؤثر بوده‌اند. محدودیت اصلی این رویکردها شامل حجم محدود داده‌های آموزشی و آزمایشی و وابستگی به کیفیت گزارش‌های بالینی است.
تصویربرداری PET :PET و به ویژه PET/CT به دلیل حساسیت بالا و توانایی تصویربرداری عملکردی، ابزار ارزشمندی برای شناسایی و کمی‌سازی متاستازهای استخوانی محسوب می‌شوند. ادغام الگوریتم‌های یادگیری ماشین و یادگیری عمیق با PET/CT ، امکان تمایز دقیق‌تر ضایعات خوش‌خیم و بدخیم و ارزیابی بار تومور را فراهم کرده است. محدودیت عمده این رویکرد، دسترسی کمتر نسبت به SPECT و نیاز به حجم بالای داده برای آموزش مدل‌های پیچیده است.
تصویربرداریSPECT:SPECT  به دلیل دسترسی گسترده‌تر و کاربرد بالینی فراوان، همچنان مدالیته پرکاربردی است. الگوریتم‌های یادگیری ماشین و یادگیری عمیق توانسته‌اند ضایعات استخوانی، حتی آن‌هایی که در CT قابل مشاهده نیستند، شناسایی و طبقه‌بندی کنند. با این‌حال، کیفیت پایین‌تر تصاویر، وجود مثبت کاذب و کمبود داده‌های برچسب‌خورده همچنان چالش‌هایی در این حوزه هستند که با استفاده از شبکه‌های خصمانه شرطی و ماژول‌های توجه تعاملی در حال کاهش‌اند.
 رویکردهای هیبریدی: ترکیب یادگیری عمیق برای استخراج ویژگی‌های پیچیده و یادگیری ماشین برای طبقه‌بندی، راهکار مؤثری برای افزایش دقت و کاهش بیش‌برازش ارائه می‌دهد. نمونه‌ای از این روش شامل بخش‌بندی اولیه ضایعات با یادگیری عمیق و سپس طبقه‌بندی با الگوریتم‌های رادیومیکس است که در شرایط داده محدود، عملکرد قابل اطمینانی ارائه می‌دهد. بیشتر مطالعات موجود دارای محدودیت‌هایی نظیر حجم نمونه پایین، طراحی گذشته‌نگر، فقدان اعتبارسنجی خارجی، سوگیری در انتخاب بیماران و ناهمگونی در پارامترهای تصویربرداری بودند که این عوامل موجب کاهش قابلیت تعمیم نتایج می‌شوند. افزون بر این، کمبود داده‌های چندمرکزی و نبود پروتکل‌های استاندارد جمع‌آوری داده، مانع از ارزیابی جامع عملکرد الگوریتم‌ها در شرایط واقعی بالینی شده است .در یک نگاه انتقادی، می‌توان گفت که بیشتر مطالعات تمرکز خود را بر عملکرد مدل‌ها در مجموعه‌داده‌های کوچک و کنترل‌شده گذاشته‌اند و کمتر به قابلیت تفسیر، بازتولید و کاربرد بالینی این مدل‌ها پرداخته‌اند. در آینده، انجام پژوهش‌های چندمرکزی، ایجاد بانک‌های داده استاندارد و به‌کارگیری روش‌های اعتبارسنجی خارجی می‌تواند به بهبود تعمیم‌پذیری و اعتمادپذیری مدل‌ها کمک کند.
نتیجه‌گیری
نتایج این مرور نشان می‌دهد که متاستازهای استخوانی همچنان یکی از مهم‌ترین چالش‌ها در مدیریت سرطان‌های پیشرفته هستند و تشخیص دقیق آن‌ها برای تصمیم‌گیری درمانی و پیش‌بینی پیش‌آگهی بیماران حیاتی است. اگرچه روش‌های سنتی تصویربرداری هسته‌ای اهمیت بالایی دارند، محدودیت‌هایی در دقت و وابستگی به تجربه بالینی دارند. توسعه الگوریتم‌های هوش مصنوعی، به‌ویژه یادگیری ماشین و یادگیری عمیق، توانسته است تحولی قابل‌توجه در تحلیل تصاویر SPECT و PET/CT ایجاد کند. این الگوریتم‌ها قادر به شناسایی ضایعات کوچک و پنهان، کاهش خطاهای انسانی و بهبود دقت طبقه‌بندی هستند. مدل‌های رادیومیکس مبتنی بر یادگیری ماشین عملکرد بالایی در تمایز ضایعات خوش‌خیم و بدخیم نشان داده‌اند و الگوریتم‌های یادگیری عمیق Net U- و  Mask R-CNN بخش‌بندی و طبقه‌بندی خودکار ضایعات را با دقت بسیار بالا ارائه می‌دهند. در تصاویر PET/CT  نیز، الگوریتم‌های یادگیری ماشین و یادگیری عمیق دقت بالا، حساسیت قوی و همبستگی مناسب با ارزیابی‌های بالینی ارائه کرده‌اند. رویکردهای ترکیبی با ادغام استخراج ویژگی خودکار و طبقه‌بندی پیشرفته، عملکرد پایدار و اعتماد بیشتری ایجاد کرده‌اند و در شرایط کمبود داده مزیت دارند. با وجود پیشرفت‌ها، چالش‌هایی همچون کمبود داده‌ی برچسب‌خورده، نیاز به اعتبارسنجی خارجی و بهبود تعمیم‌پذیری مدل‌ها همچنان وجود دارد. مسیرهای پژوهشی آینده باید بر تقویت قابلیت تعمیم و اعتمادپذیری مدل‌ها تمرکز کنند. به طور کلی، هوش مصنوعی و یادگیری عمیق پتانسیل تغییر چشمگیر در تشخیص، کمی‌سازی و مدیریت متاستازهای استخوانی را دارند و می‌توانند تشخیص به موقع، تصمیم‌گیری بالینی بهینه و بهبود نتایج بیماران را به همراه داشته باشند.
سپاس‌گزاری
 از حمایت و پشتیبانی مادی و معنوی دانشگاه اصفهان در انجام این تحقیق سپاس‌گزاری می‌شود.
حامی مالی: ندارد.
تعارض در منافع: وجود ندارد.
ملاحظات اخلاقی
این تحقیق توسط دانشگاه اصفهان تایید شده است. (کد اخلاق:( IR.UI.REC.1404.012
مشارکت نویسندگان
دکتر علیرضا کریمیان، دکتر حسین عربی و دکتر حمیدرضا مراتب در ارائه ایده، طراحی مطالعه و تجزیه و تحلیل داده‌ها، و خانم مهندس الهام واعظ در طراحی مطالعه، جمع‌آوری داده‌ها و تجزیه و تحلیل داده‌ها و آقای مهندس حبیب‌الله دادگر در طراحی مطالعه و جمع‌آوری داده‌ها مشارکت داشته و همه نویسندگان در تدوین، ویرایش اولیه و نهایی مقاله و پاسخگویی به سوالات مرتبط با مقاله سهیم هستند.
 
 

References:
 
1.    Wang D, Li H, Guo C, Huang S, Guo X, Xiao J. The Value of 18F-Naf PET/CT in the Diagnosis of Bone Metastases in Patients with Nasopharyngeal Carcinoma Using Visual and Quantitative Analyses. Front Bioeng Biotechnol 2022; 10: 949480. 
2.    Yang W, Pan Q, Huang F, Hu H, Shao Z. Research Progress of Bone Metastases: From Disease Recognition to Clinical Practice. Front Oncol 2023; 12: 1105745. 
3.    Fan Z, Wang T, Zou L, Liu D. Comparison of The Diagnostic Value of 18F-Naf PET/CT And 99mtc MDP SPECT for Bone Metastases: A Systematic Review and Meta-Analysis. Transl Cancer Res 2023; 12(11): 3166-78. 
4.    Zhang J, Cai D, Hong S. Prevalence and prognosis of bone metastases in common solid cancers at initial diagnosis: A population-based study. BMJ Open 2023; 13(10): e069908. 
5.    Liao C, Hsieh T, Lai Y, Hsu Y, Hsu Z, Chan P, et al. Artificial Intelligence in Detection, Management, and Prognosis of Bone Metastasis: A Systematic Review. Cancers 2024; 16(15): 2700. 
6.    Afnouch M, Bougourzi F, Gaddour O, Dornaika F, Ahmed AT. Artificial Intelligence in Bone Metastasis Analysis: Current Advancements, Opportunities and Challenges. Comput Biol Med 2025; 194: 110372. 
7.    Ueda CE, Duarte PS, de Castroneves LA, Coura-Filho GB, Sado HN, Sapienza MT, et al.  Comparison of 18F-Naf PET/CT with Other Imaging Methods in the Detection of Bone Metastases in Patients with Medullary Thyroid Cancer: A Report of a Series of 31 Cases. Nucl Med Mol Imaging 2020; 54(6): 281-91. 
8.    Zamani-Siahkali N, Mirshahvalad SA, Farbod A, Divband G, Pirich C, Veit-Haibach P, et al. Spect/Ct, Pet/Ct, And Pet/Mri for Response Assessment of Bone Metastases. Semin Nucl Med 2023; 54(3): 356-70. 
9.    Mostafapour S, Arabi H, Gholamiankhah F, Razavi-Ratki SK, Parach AA. Tc-99m (Methylene Diphosphonate) SPECT Quantitative Imaging: Impact of Attenuation Map Generation from SPECT-Non-Attenuation Corrected and MR Images on The Diagnosis of Bone Metastasis. Int J Radiat Res 2021; 19(2): 299-309. 
10.    Arabi H, Zaidi H. Recent Advances in Positron Emission Tomography/Magnetic Resonance Imaging Technology. Magn Reson Imaging Clin N Am 2023; 31(4): 503-15. 
11.    Cook GJR, Goh V. Functional and Hybrid Imaging of Bone Metastases. J Bone Miner Res 2024; 33(6): 961-72.
12.    Santos JC, Abreu MH, Santos MS, Duarte H, Alpoim T, Próspero I, et al. Bone Metastases Detection in Patients with Breast Cancer: Does Bone Scintigraphy Add Information to PET/CT? Oncologist 2023; 28(8): e600–e5. 
13.    Ahuja K, Sotoudeh H, Galgano SJ, Singh R, Gupta N, et al. 18F-Sodium Fluoride PET: History, Technical Feasibility, Mechanism of Action, Normal Biodistribution, And Diagnostic Performance in Bone Metastasis Detection Compared with Other Imaging Modalities. J Nucl Med Technol 2020; 48(1): 9-16. 
14.    Mohseninia N, Zamani-Siahkali N, Harsini S, Divband G, Pirich C, Beheshti M. Bone Metastasis in Prostate Cancer: Bone Scan Versus PET Imaging. Semin Nucl Med 2023; 54(2): 97-118. 
15.    Fan Z, Wang T, Zou L, Liu D. Comparison of the Diagnostic Value of 18F-Naf PET/CT and 99mtc-MDP SPECT for Bone Metastases: A Systematic Review and Meta-Analysis. Transl Cancer Res 2023; 12(11): 3166-78.
16.    Korkmaz U, Ustun F. 18F-Naf PET/CT and Extraordinary Involvement: Non-Calcific Brain Involvement in A Prostate Cancer Case. Mol Imaging Radionucl Ther 2020; 29: 41-4. 
17.     Caloro E, Gnocchi G, Quarrella C, Ce M, Carrafiello G, Cellina M. Artificial Intelligence in Bone Metastasis Imaging: Recent Progresses from Diagnosis to Treatment – A Narrative Review. Crit Rev Oncol Hematol 2024; 29(2): 77-90.
18.    Pawan SJ, Rich J, Le J, Yi E, Triche T, Goldkorn A, et al. Artificial Intelligence and Radiomics Applied to Prostate Cancer Bone Metastasis Imaging: A Review. Iradiology 2024; 2(6): 527-38. 
19.    Majidpour J, Ahmed HA, Ahmed MH, Jalal S, Arabi H. Applications of GAN Models in Breast Cancer Detection: A Comprehensive Review. Arch Comput Methods Eng 2026; 33: 859-915.
20.    Arabi H, Zaidi H. Applications of artificial intelligence and deep learning in molecular imaging and radiotherapy. Eur J Hybrid Imaging 2020; 4: 17. 
21.    Jin Z, Zhang F, Wang Y, Tian A, Zhang J, Chen M, et al. Single-Photon Emission Computed Tomography/Computed Tomography Image-Based Radiomics for Discriminating Vertebral Bone Metastases from Benign Bone Lesions in Patients with Tumors. Front Med 2021; 8: 792581. 
22.    Wang H, Chen Y, Qui J, Xie J, Lu W, Ma J, et al. Machine Learning Based on SPECT/CT to Differentiate Bone Metastasis and Benign Bone Lesions in Lung Malignancy Patients. Med Phys 2023; 51(4): 2578-88. 
23.    Wang H, Qiu J, Xie J, Lu W, Pan Y, Ma J, et al. Radiomics-Clinical Model Based on 99mtc-MDP SPECT/CT for Distinguishing Between Bone Metastasis and Benign Bone Disease in Tumor Patients. J Cancer Res Clin Oncol 2023; 149(14): 13353-361. 
24.    Wang H, Qiu J, Lu W, Xie J, Ma J. Radiomics Based on Multiple Machine Learning Methods for Diagnosing Early Bone Metastases Not Visible on CT Images. Skeletal Radiol 2025; 54(2): 335-43. 
25.    Perk T, Bradshaw T, Chen S, Im HJ, Cho S, Perlman S, et al. Automated Classification of Benign and Malignant Lesions in 18F-Naf PET/CT Images Using Machine Learning. Phys Med Biol 2018; 63(22): 225019. 
26.    Acar E, Leblebici A, Ellidokuz BE, Başbınar Y, Çapa Kaya G, et al. Machine Learning for Differentiating Metastatic and Completely Responded Sclerotic Bone Lesions in Prostate Cancer: A Retrospective Radiomics Study. Br J Radiol 2019; 92(1102): 2019028. 
27.    Nemoto M, Tanaka A, Kaida H, Kimura Y, Nagaoka T, Yamada T, et al. Automatic Detection of Primary and Metastatic Lesions on Cervicothoracic Region and Whole-Body Bone Using a Uniform Machine-Learnable Approach for [18F]-FDG-PET/CT Image Analysis. Phys Med Biol 2022; 67(19).
28.    Jin Z, Wang Y, Wang Y, Mao Y, Zhang F, Yu J. Application of 18F-FDG PET-CT Images Based Radiomics in Identifying Vertebral Multiple Myeloma and Bone Metastases. Front Med 2022; 9: 874847. 
29.    Mannam P, Murali A, Gokulakrishnan P, Venkatachalapathy E, Venkata Sai P. Radiomic Analysis of Positron-Emission Tomography and Computed Tomography Images to Differentiate Between Multiple Myeloma and Skeletal Metastases. Indian J Nucl Med 2022; 37(3): 217-26. 
30.    Bauckneht M, Pasini G, Di Raimondo T, Russo G, Raffa S, Donegani MI, et al. [18F] PSMA 1007 PET/CT Based Radiomics May Help Enhance the Interpretation of Bone Focal Uptakes in Hormone Sensitive Prostate Cancer Patients. Eur J Nucl Med Mol Imaging 2025; 52(6): 2076-86. 
31.    Lin Q, Luo M, Gao R, Li T, Man Z, Cao Y, et al. Deep Learning Based Automatic Segmentation of Metastasis Hotspots in Thorax Bone SPECT Images. PLoS One 2020; 15(12): e0243253. 
32.    Lin Q, Li T, Cao C, Cao Y, Man Z, Wang H, et al.  Deep Learning Based Automated Diagnosis of Bone Metastases with SPECT Thoracic Bone Images. Sci Rep 2021; 11: 4223. 
33.    Chen J, Li Y, Luna LP, Chung HW, Rowe SP, Du Y, et al. Learning Fuzzy Clustering For SPECT/CT Segmentation Via Convolutional Neural Networks. Med Phys 2021; 48(7): 3860-77. 
34.    Wang Y, Lin Q, Zhao S, Zeng X, Zheng B, Cao Y, et al. Automated Diagnosis of Bone Metastasis by Classifying Bone Scintigrams Using a Self-defined Deep Learning Model. Curr Med Imaging 2024; 20: e060223213456.   
35.    Ma X, Lin Q, Guo S, He Y, Zeng X, Song Y, et al. Multimodal Data-Driven Segmentation of Bone Metastasis Lesions in SPECT Bone Scans Using Deep Learning. Curr Med Imaging 2024; 20: e15734056324977.
36.    Ma X, Lin Q, Zeng X, Cao Y, Man Z, Liu C, et al. Interactive Segmentation for Accurately Isolating Metastatic Lesions from Low-Resolution, Large-Size Bone Scintigrams. Phys Med Biol 2025; 70(4): 045014. 
37.    Wu Y, Lin Q, He Y, Zeng X, Cao Y, Man Z, et al. MSA-Net: A multi-scale and adversarial learning network for segmenting bone metastases in low-resolution SPECT imaging. EJNMMI Phys 2025; 12: 72. 
38.    Trägårdh E, Enqvist O, Ulén J, Jögi J, Bitzén U, Hedeer F, et al. Freely Available, Fully Automated AI-Based Analysis of Primary Tumour and Metastases of Prostate Cancer in Whole-Body [18F]-PSMA-1007 PET-CT. Diagnostics 2022; 12(9): 2101. 
39.    Belal SL, Larsson M, Holm J, Buch-Olsen KM, Sörensen J, et al. Automated Quantification of PET/CT Skeletal Tumor Burden in Prostate Cancer Using Artificial Intelligence: The PET Index. Eur J Nucl Med Mol Imaging 2023; 50(5): 1510-20. doi:10.1007/s00259-023-06108-4
40.    Schott B, Weisman AJ, Perk TG, Roth AR, Liu G, Jeraj R, et al.  Comparison of Automated Full-Body Bone Metastases Delineation Methods and their Corresponding Prognostic Power. Phys Med Biol. 2023; 68(3): 035011. 
41.    Xie W, Wang X, Liu M, Mai L, Shangguan H, Pan X, Zhan Y, et al. A Novel Two-Step Classification Approach for Differentiating Bone Metastases from Benign Bone Lesions In SPECT/CT Imaging. Acad Radiol 2025; 32(9): 5364-77. 
42.    Ji B, He G, Wen J, Chen Z, Zhao L. Msegresrf-SPECT: A Novel Joint Classification Model of Whole-Body Bone Scan Images for Bone Metastasis Diagnosis. Curr Med Imaging 2024; 20: e15734056288472.