پیش بینی شدت فیبروز کبدی با استفاده از مدل های یادگیری ماشین

مقدمه: برای تشخیص کبد چرب غیرالکلی معمولا از آزمایش فیبرواسکن استفاده می شود که هزینه بالایی دارد. همچنین، آزمایشات کم هزینه مانند اندازه گیری آنزپم های کبدی یا آزمایشات هماتولوژی نمی توانند کبد چرب را به طور قطعی تشخیص دهند و فقط به عنوان ابزارهای اولیه در تشخیص کبد چرب به کار می روند.مواد و روش ها: در این پژوهش، یک مدل یادگیری ماشین برای تشخیص کبد چرب با استفاده از اطلاعات دموگرافیک، آنزیم های کبدی و آزمایشات هماتولوژی ارایه گردید. برای این کار، داده ها از پرونده ۱۰۷۸ مراجعه کننده به بیمارستان امام رضا (ع) سال های ۱۳۹۷ تا ۱۴۰۲ استخراج شده است که شامل ۲۵ متغیر وابسته می باشد. پس از پیش پردازش، اطلاعات به ۵۳۱ پرونده کاهش یافت. برای جایگزینی داده های گمشده از الگوریتم بهینه سازی ذرات چندهدفه استفاده شد. پس از پیش پردازش، الگوریتم ماشین بردار پشتیبان بر روی این داده ها اجرا گردید. در نهایت، عملکرد الگوریتم پیشنهادی با الگوریتم های مشابه مقایسه و ارزیابی شد.نتایج: در مرحله پیش پردازش، رکوردهایی که بیش از ۲۰ درصد داده های گمشده داشتند حذف شدند و مابقی رکوردها جایگزینی شدند. سپس داده ها به دو مجموعه آموزش و تست با نسبت ۷۰-۳۰ تقسیم گردید. الگوریتم ماشین بردار پشتیبان با کرنل شعاعی بر روی داده های آموزشی اجرا شد و میزان حساسیت، ویژگی و صحت برای داده های آموزشی به ترتیب ۲۴/۹۶%، ۸۶/۹۰% و ۵۵/۹۳% حاصل گردید و برای داده های تست ۸۰%، ۲۲/۷۷% و ۶۲/۷۸% به دست آمد. همچنین، در این پژوهش نشان داده شد که الگوریتم ماشین بردار پشتیبان پیشنهادی نسبت به شش الگوریتم مشابه عملکرد بهتری دارد.نتیجه گیری: در این پژوهش نشان داده شده است که با استفاده از الگوریتم های یادگیری ماشین، می توان کبد چرب غیر الکی را با هزینه پایین تری تشخیص داد.مقدمه: برای تشخیص کبد چرب غیرالکلی معمولا از آزمایش فیبرواسکن استفاده می شود که هزینه بالایی دارد. همچنین، آزمایشات کم هزینه مانند اندازه گیری آنزپ م های کبدی یا آزمایشات هماتولوژی نمی توانند کبد چرب را به طور قطعی تشخیص دهند و فقط به عنوان ابزارهای اولیه در تشخیص کبد چرب به کار می روند. مواد و روش ها: در این پژوهش، یک مدل یادگیری ماشین برای تشخیص کبد چرب با استفاده از اطلاعات دموگرافیک، آنزیم های کبدی و آزمایشات هماتولوژی ارایه گردید. برای این کار، داده ها از پرونده ۱۰۷۸ مراجعه کننده به بیمارستان امام رضا (ع) سال های ۱۳۹۷ تا ۱۴۰۲ استخراج شده است که شامل ۲۵ متغیر وابسته می باشد. پس از پیش پردازش، اطلاعات به ۵۳۱ پرونده کاهش یافت. برای جایگزینی داده های گمشده از الگوریتم بهینه سازی ذرات چندهدفه استفاده شد. پس از پیش پردازش، الگوریتم ماشین بردار پشتیبان بر روی این داده ها اجرا گردید. در نهایت، عملکرد الگوریتم پیشنهادی با الگوریتم های مشابه مقایسه و ارزیابی شد. نتایج: در مرحله پیش پردازش، رکوردهایی که بیش از ۲۰ درصد داده های گمشده داشتند حذف شدند و مابقی رکوردها جایگزینی شدند. سپس داده ها به دو مجموعه آموزش و تست با نسبت ۷۰-۳۰ تقسیم گردید. الگوریتم ماشین بردار پشتیبان با کرنل شعاعی بر روی داده های آموزشی اجرا شد و میزان حساسیت، ویژگی و صحت برای داده های آموزشی به ترتیب ۲۴/۹۶%، ۸۶/۹۰% و ۵۵/۹۳% حاصل گردید و برای داده های تست ۸۰%، ۲۲/۷۷% و ۶۲/۷۸% به دست آمد. همچنین، در این پژوهش نشان داده شد که الگوریتم ماشین بردار پشتیبان پیشنهادی نسبت به شش الگوریتم مشابه عملکرد بهتری دارد. نتیجه گیری: در این پژوهش نشان داده شده است که با استفاده از الگوریتم های یادگیری ماشین، می توان کبد چرب غیر الکی را با هزینه پایین تری تشخیص داد.

کلیدواژه ها:

یادگیری ماشین ، فیروز کبدی ، پیش بینی