استفاده از تکنيک هاي هوش مصنوعي براي شناسايي ميزان شدت بيماري کبد چرب غير الکلي توسط شاخص هاي باليني

شهابي مجتبي; حسن پور حميد

مشخصات مقاله

عنوان نشریه:

(دانش و تندرستی در علوم پایه پزشکی (مجله دانش و تندرستي

اطلاعات شماره:

پاييز 1395 , دوره 11 , شماره 3 ; از صفحه 69 تا صفحه 75 .

عنوان مقاله:

استفاده از تکنيک هاي هوش مصنوعي براي شناسايي ميزان شدت بيماري کبد چرب غير الکلي توسط شاخص هاي باليني

نویسندگان:

شهابي مجتبي, حسن پور حميد*

آدرس:

* دانشگاه صنعتی شاهرود، دانشکده کامپیوتر و فناوری اطلاعات، گروه هوش مصنوعی

چکیده:

مقدمه: بيماري کبد چرب غير الکلي (Non-alcoholic fatty liver disease:NAFLD) يکي از شايع ترين بيماري هاي کبدي است که شدت آن داراي سطوح مختلفي مي باشد. اخيرا، دستگاه فيبرواسکن به عنوان يک روش غير تهاجمي براي اندازه گيري ميزان ارتجاع پذيري کبد و درنتيجه چرب بودن آن مورد استفاده قرار مي گيرد. هدف از اين پژوهش، ارايه يک روش کم هزينه و ساده براي تشخيص اين بيماري از طريق علايم باليني مي باشد.مواد و روش ها: در اين تحقيق از يک مجموعه داده شامل 726 بيمار استفاده شد که هر يک داراي عارضه کبد چرب با شدت مختلفي بودند. براي هر بيمار، شدت بيماري توسط دستگاه فيبرواسکن اندازه گيري و آزمايشات باليني و سنوگرافي نيز انجام گرفت. سپس به منظور تعيين رابطه بين اطلاعات به دست آمده از بيماران و سطوح بيماري از شبکه هاي عصبي مصنوعي استفاده شده است. در نهايت، به کمک تکنيک هاي هوش مصنوعي روشي براي استخراج قانون از شبکه هاي عصبي مصنوعي براي نمايش ارتباط بين داده ها استفاده شده است.نتايج: براساس نتايج به دست آمده از دستگاه فيبرواسکن، از بين 726 بيمار موجود، 5 مورد در کلاس F4،23 مورد در کلاس F3،132 مورد در کلاس F2،151 مورد در کلاس F1 و 415 مورد در کلاس ( F0 افراد سالم) قرار مي گيرند. طبق روش پيشنهادي، دقت در شناسايي نمونه هاي هر کلاس به ترتيب: 100% براي کلاس F4، 99.31% براي کلاس F3، 93.94 براي کلاس F2 و 80.58% براي کلاس F1 مي باشد. بر اين اساس اين روش مي تواند نمونه هاي دسته هاي F4 و F3 را به صورت ايده آل و نمونه هاي دسته هاي F2 و F1 را با دقت خوبي شناسايي کند.نتيجه گيري: نتايج حاصل از اين تحقيق نشان مي دهد که روش پيشنهادي قادر است علاوه بر صرف هزينه کمتر و قابليت دسترسي آسان تر در شناسايي بيماري کبد چرب غير الکلي (NAFLD)، نحوه تشخيص بيماري و شرايط هر سطح از بيماري را در قالب مجموعه قوانيني براي تشخيص بيماري (بدون ادامه نياز به شبکه عصبي) براي پزشکان تعيين نمايد.

کلید واژه:

تشخيص بيماري(Q1)بيماري کبد چرب غير الکلي(Q1)پارامترهاي باليني(Q1)شبکه هاي عصبي مصنوعي(Q1)استخراج قانون(Q1)

چارک 1 این موضوع در حوزۀ علمی خود، در چارک اول تازگی است.
یعنی استقبال پژوهشگران از این موضوع خیلی زیاد است.
چارک 2 این موضوع در حوزۀ علمی خود، در چارک دوم تازگی است.
یعنی استقبال پژوهشگران از این موضوع زیاد است.
چارک 3 این موضوع در حوزۀ علمی خود، در چارک سوم تازگی است.
یعنی استقبال پژوهشگران از این موضوع کم است.
چارک 4 این موضوع در حوزۀ علمی خود، در چارک چهارم تازگی است.
یعنی استقبال پژوهشگران از این موضوع خیلی کم است.

موضوعات مرتبط:

Arima Mthfr Pyrosequencing T2D آنزیم متیلن تتراهیدروفولات ردوکتاز پایگاه دانش تصاویر Mri تصمیم راهبردی سری زمانی سیستم پشتیبان تصمیم (تصمیم یار)سیستم های هوشمند شبکه عصبی مصنوعی شبکه عصبی شبکه های عصبی ناباروری ایدیوپاتیک مردان

مقالات نشریه ای مرتبط:

مقالات همایشی مرتبط:

ندارد

طرح های مرتبط:

مقالات بین المللی مرتبط:

No item.

ارتباط خیلی زیاد ارتباط زیاد مرتبط ارتباط کمتر

ارجاعات:

ثبت نشده است

استنادات:

ثبت نشده است

+جهت ارجاع به این مقاله کلیک کنید(Cite).

APA : کپی

شهابی، م.، و حسن پور، ح. (1395). استفاده از تکنیک های هوش مصنوعی برای شناسایی میزان شدت بیماری کبد چرب غیر الکلی توسط شاخص های بالینی. (دانش و تندرستی در علوم پایه پزشکی (مجله دانش و تندرستی, 11(3 ), 69-75. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=312607

Vancouver : کپی

شهابی مجتبی، حسن پور حمید. استفاده از تکنیک های هوش مصنوعی برای شناسایی میزان شدت بیماری کبد چرب غیر الکلی توسط شاخص های بالینی. (دانش و تندرستی در علوم پایه پزشکی (مجله دانش و تندرستی. 1395 [cited 2022May20];11(3 ):69-75. Available from: https://www.sid.ir/fa/journal/ViewPaper.aspx?id=312607

IEEE : کپی

شهابی، م.، حسن پور، ح.، 1395. استفاده از تکنیک های هوش مصنوعی برای شناسایی میزان شدت بیماری کبد چرب غیر الکلی توسط شاخص های بالینی. (دانش و تندرستی در علوم پایه پزشکی (مجله دانش و تندرستی, [online] 11(3 ), pp.69-75. Available: https://www.sid.ir/fa/journal/ViewPaper.aspx?id=312607.