یک چارچوب هوشمند مبتنی بر انفورماتیک سلامت برای تشخیص بیماری های کبدی با استفاده از افزایش داده مبتنی بر شبکه مولد تخاصمی و یادگیری تجمعی

مقدمه: سلامت، یکی از بنیادی ترین ابعاد زندگی انسان است و بیماری های مزمن تهدیدی جدی در این حوزه محسوب می شوند که عوارض گسترده ای به دنبال دارند. با پیشرفت های سریع هوش مصنوعی، سامانه های تشخیص پزشکی هوشمند در زمینه تشخیص زودهنگام، کاهش هزینه ها و کمک به تصمیم گیری دقیق تر پزشکان توسعه چشم گیری یافته اند. با وجود کاربرد روش های گوناگون داده کاوی، پیچیدگی و ابعاد بالای داده های پزشکی همچنان چالش برانگیز است. در این میان، روش های یادگیری عمیق و مدل های مولد ابزارهایی توانمند برای تحلیل این داده ها هستند. روش کار: در این پژوهش، روشی نوین برای بهبود تشخیص بیماری های کبدی پیشنهاد شده است که بر پایه پیش پردازش و افزایش داده ها با استفاده از شبکه های مولد تخاصمی (GAN) و یادگیری تجمعی از نوع استکینگ (Stacking) قرار دارد. برای ارزیابی، از مجموعه داده استاندارد بیماران کبدی هند (ILPD) استفاده شد. در مرحله نخست، مدل تجمعی با اعتبارسنجی متقابل ۱۰-مرحله ای دقت ۷۷ درصد را به دست آورد. سپس، با استفاده از تکنیک افزایش داده مبتنی بر GAN، مجددا مدل آموزش داده شد که این بار دقت چشمگیر ۹۹ درصد حاصل گردید. یافته ها: نتایج نشان می دهد که به کارگیری مناسب روش های پیش پردازش و افزایش داده، تاثیر بسزایی در بهبود عملکرد مدل و ارتقای دقت تشخیص زودهنگام بیماری کبد دارد. نتیجه گیری: چارچوب هوشمند پیشنهادی با غلبه بر چالش پیچیدگی و عدم توازن داده های پزشکی، مدلی بسیار دقیق و قابل اتکا ارائه می دهد. این رویکرد می تواند به عنوان یک سیستم پشتیبان تصمیم گیری بالینی کارآمد در حوزه انفورماتیک سلامت، به متخصصان در تشخیص زودهنگام و مدیریت بهتر بیماری های کبدی کمک شایانی نماید.

کلیدواژه ها:

Early Liver Disease Diagnosis ، Deep learning ، Adversarial Generating Network ، Machine Learning ، شبکه مولد متخاصم ، بیماری کبد ، یادگیری ماشین ، یادگیری عمیق ، هوش مصنوعی ، تشخیص بیماری