روش طلایی تشخیص نوع و درجه تومور برای اعمال روش درمانی موثر انجام نمونه برداری مستقیم از بافت توموری می باشد. اما این روش تهاجمی با استفاده از سوزن های مخصوص و جراحی باز مغز صورت می پذیرد. استفاده از رادیومیکس و الگوریتم های محاسباتی یادگیری ماشین بر روی تصاویر MRI می تواند در تشخیص افتراقی تومورها نقش به سزایی داشته باشد .
دکتر سالار بیجاری که این پژوهش در قالب رساله دکترای تخصصی وی در رشته فیزیک پزشکی انجام شد، با بیان مطلب فوق در خصوص طرح تحقیقاتی خود گفت: در این مطالعه تعداد 198 بیمار در 5 کلاس بیماری جمع آوری و طبقه بندی شدند.. کلاس یک (گلیومای درجه بالا)  48 بیمار، کلاس دو (متاستاز مغزی) 41 بیمار، کلاس سه (مننژیوما مغزی) 38 بیمار، کلاس چهار (آبسه و لنفوم مغزی) 29 بیمار و کلاس پنجم (گلیومای درجه پایین) 42 بیمار که به ترتیب برای هر کلاس ثبت و جمع آوری گردید. 5 توالی تصویر یابی T1-W ، T2-W ، T2-W Flair ، DWI و T1+CE انجام شد و از هر توالی 107 ویژگی کمی با استفاده از نرم افزار تری دی اسلایسر و 9 ویژگی کیفی نیز توسط پزشک استخراج گردید.
وی افزود: پس از بررسی ICC ویژگی های استخراج شده، ویژگی های ICC بالای 0/75 انتخاب شد. سپس در دو حالت با و بدون تبدیل موجک (30 حالت تبدیل موجک)، 10 روش کاهش بعد و 13 روش یادگیری ماشین بر داده های آموزش و آزمون اعمال شد.
بیجاری در ادامه تشریح کرد: پس از بهینه سازی مدل های مختلف در گروه آموزش، نتایج سطح زیر منحنی راک(AUC) ، دقت و F1-score برای گروه آزمون محاسبه گردید. در حالت بدون تبدیل موجک، کاهش بعد PCA و رگرسیون لجستیک بعنوان مدل مناسب انتخاب شد که نتایج AUC،  دقت و F1-score به ترتیب، 0/94 ، 0/91 و 0/90 محاسبه گردید. همچنین در قسمت تبدیل موجک، تبدیل موجک 5.5 bior به همراه کاهش بعدلاپلاسین و جنگل تصادفی بعنوان مدل مناسب انتخاب گردید و به ترتیب نتایج آن 0/97 ،0/96 و 0/96 محاسبه شد. مدل با تبدیل موجک موجب افزایش خروجی مدل گردید.
وی در پایان گفت: استفاده از روش های رادیومیکس و الگوریتم های یادگیری ماشین می تواند به تفکیک افتراقی ضایعات مغزی کمک کند و خطرات ناشی از نمونه برداری مستقیم را کاهش دهد.
گفتنی است این پژوهش در قالب رساله دکترای تخصصی سالار بیجاری با راهنمایی دکتر پرویز عبدالمالکی عضو هیأت علمی دانشگاه تربیت مدرس انجام شد.