مقدمه: تومورهای بدخیم استخوانی، علی‌رغم شیوع پایین، چالشی حیاتی در تشخیص بالینی به شمار می‌روند. تفکیک دقیق و زودهنگام آن‌ها از ضایعات خوش‌خیم برای جلوگیری از عواقب جبران‌ناپذیری نظیر قطع عضو غیرضروری یا تأخیر در درمان‌های تهاجمی، امری ضروری است. این پژوهش با هدف ارائه و ارزیابی یک مدل بهینه مبتنی بر یادگیری ماشین برای تشخیص تومورهای بدخیم استخوانی بر پایه داده‌های جمعیت شناختی، بالینی و پرتونگاری ساده انجام شد.روش پژوهش: این پژوهش کاربردی در دو مرحله انجام شد. در مرحله اول، با استفاده از پرسشنامه مبتنی بر شواهد و نظرخواهی از ۲۲ نفر از جراحان و متخصصان ارتوپدی، مجموعه‌ای از عوامل کلیدی جمعیت‌شناختی، بالینی و پرتونگاری مؤثر در تشخیص شناسایی گردید. در مرحله دوم، داده‌های مربوط به این متغیرها برای ۲۱۵ بیمار با تومور استخوانی (۱۱۷ خوش‌خیم، ۹۸ بدخیم) که بین سال‌های ۱۳۹۱ تا ۱۴۰۱ تشخیص داده شده بودند، جمع‌آوری گردید. داده‌های جمعیت‌شناختی و بالینی از پرونده‌های بیماران و سیستم اطلاعات بیمارستان استخراج گردید و داده‌های پرتونگاری از تصاویر آرشیو شده بیماران، با همکاری مستقیم و توسط پزشک فوق تخصص جراحی تومورهای استخوانی تعیین شد. جهت شناسایی مؤثرترین متغیرها، یازده مجموعه ویژگی مجزا ایجاد گردید و عملکرد ده الگوریتم یادگیری ماشین شامل رگرسیون لجستیک، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی، Kنزدیک‌ترین‌همسایه، بیز ساده، AdaBoost، CatBoost و XGBoost، بر روی هر یک از این مجموعه‌ها ارزیابی شد.یافته‌ها: از میان ۱۱۰ مدل طراحی‌شده، مدل «درخت تصمیم» که با مجموعه متغیرهای انتخاب‌شده توسط روش لاسو (شامل ۵ ویژگی: سن، الگوی تخریب استخوان، واکنش پریوستی، نوع بافت تومور و حاشیه تومور) آموزش دیده بود، به عنوان مدل برتر شناسایی شد. این مدل با کسب امتیاز F1 برابر با ۹۰۹/۰، صحت ۹۰۹/۰ و مساحت زیر منحنی برابر با ۹۸۳/۰، بالاترین عملکرد کلی را به ثبت رساند. ارزیابی کالیبراسیون مدل نهایی نیز نشان داد که احتمالات خروجی آن از انطباق مطلوب و قابلیت اطمینان بالایی برخوردار است. تحلیل اهمیت ویژگی‌ها در این مدل نشان داد که نوع بافت تومور، الگوی تخریب استخوان و متغیر جمعیت‌شناختی سن بیمار به ترتیب بیشترین تأثیر را در تصمیم‌گیری مدل داشته‌اند.نتیجه‌گیری: این پژوهش نشان داد که با انتخاب دقیق ویژگی‌ها، می‌توان با استفاده از یک مدل ساده و قابل تفسیر مانند درخت تصمیم، به دقت بسیار بالایی در تشخیص تومورهای بدخیم استخوانی دست یافت. مدل بهینه ارائه‌شده، با تمرکز بر پنج ویژگی کلیدی شامل متغیر جمعیت‌شناختی سن و شاخص‌های مهم پرتونگاری، پتانسیل بالایی برای استفاده به عنوان یک ابزار کمکی معتبر و کارآمد جهت افزایش سرعت و صحت تشخیص در کنار دانش متخصصان بالینی دارد.کلیدواژه: تومور استخوانی، یادگیری ماشین، پرتونگاری، تحلیل تصاویر پزشکی، تشخیص به کمک کامپیوتر