استفاده از تکنیک های هوش مصنوعی برای شناسایی میزان شدت بیماری کبد چرب غیر الکلی توسط شاخص های بالینی

بیماری کبد چرب غیر الکلی NAFLD:Non-alcoholic fatty liver disease یکی از شایع ترین بیماری های کبدی است که شدت آن دارای سطوح مختلفی می باشد اخیرا دستگاه فیبرواسکن به عنوان یک روش غیر تهاجمی برای اندازه گیری میزان ارتجاع پذیری کبد و در نتیجه چرب بودن آن مورد استفاده قرار می گیرد هدف از این پژوهش ارایه یک روش کم هزینه و ساده برای تشخیص این بیماری از طریق علایم بالینی می باشد مواد و روش ها:در این تحقیق از یک مجموعه داده شامل 726 بیمار استفاده شد که هر یک دارای عارضه کبد چرب با شدت مختلفی بودند برای هر بیمار شدت بیماری توسط دستگاه فیبرواسکن اندازه گیری و آزمایشات بالینی و سنوگرافی نیز انجام گرفت سپس به منظور تعیین رابطه بین اطلاعات به دست آمده از بیماران و سطح بیماری از شبکه های عصبی مصنوعی استفاده شده است در نهایت به کمک تکنیک های هوش مصنوعی روشی برای استخراج قانون از شبکه های عصبی مصنوعی برای نمایش ارتباط بین داده ها استفاده شده است نتایج بر اساس نتایج به دشت آمده از دستگاه فیبرواسکن از بین 726 بیمار موجود 5 مورد در کلاس F4 23 مورد در کلاس F3 132 مرد در کلاس F2 151 مورد در کلاس F1 415 مورد در کلاس F0 افراد سالم قرار می گیرند طبق روش پیشنهادی دقت در شناسایی نمونه های هر کلاس به ترتیب 100% برای کلاس F4 99/315برای کلاس F3 93/94% برای کلاس F2 80/58% برای کلاس F1می باشد بر این اساس این روش می تواند نمونه های دسته های F4وF3 را به صورت ایده آل و نمونه های دسته های F2وF1 را با دقت خوبی شناسایی کند نتیجه گیری:نتایج حاصل از این تحقیق نشان می دهد که روش پیشنهادی قادر است علاوه بر صرف هزینه کمتر و قابلیت دسترسی آسان تر در شناسایی بیماری کبد چرب غیر الکلی NAFLD نحوه تشخیص بیماری و شرایط هر سطح بیماری را در قالب مجموعه قوانینی برای تشخیص بیماری بدن ادامه نیاز به شبکه عصبی برای پزشکان تعیین نماید

کلیدواژه ها:

تشخیص بیماری ، بیماری کبد چرب غیر الکلی ، پارامترهای بالینی ، شبکه های عصبی مصنوعی ، استخراج قانون