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

مقدمه: بیماری کبد چرب غیر الکلی ( non-alcoholic fatty liver disease : nafld ) یکی از شایع ترین بیماری های کبدی است که شدت آن دارای سطوح مختلفی می باشد. اخیراً، دستگاه فیبرواسکن به عنوان یک روش غیر تهاجمی برای اندازه گیری میزان ارتجاع پذیری کبد و درنتیجه 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 سطوح 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: براساس نتایج به دست آمده از دستگاه فیبرواسکن، از بین 726 بیمار 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 می گیرند. طبق روش پیشنهادی، دقت در شناسایی نمونه های هر کلاس به ترتیب: 100% برای کلاس f4 ، 99/31% برای کلاس f3 ، 93/94% برای کلاس f2 و 58/80% برای کلاس f1 می باشد. بر این اساس این روش می تواند نمونه های دسته های f4 و f3 را به صورت ایده آل و نمونه های دسته های f2 و f1 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 از بیماری را در قالب مجموعه قوانینی برای تشخیص بیماری (بدون ادامه نیاز به شبکه عصبی) برای پزشکان تعیین نماید.