در سال های اخیر سیستم های هوشمند به طور فزاینده ای مورد توجه واقع شده است که شبکه های عصبی مصنوعی از این مجموعه می باشند. این شبکه ها با پردازش داده های تجربی، قانون نهفته در ورای این اطلاعات را استنتاج می کنند. مدل های شبکه عصبی مصنوعی در مورد فرایندهایی که تعریف دقیق و درک خاصی از آنها وجود ندارد، بسیار موثر عمل می کنند. در این مورد، این امر به اثبات رسیده است که شبکه های عصبی مصنوعی قادر می باشند که هر تابع ریاضی را با دقت قابل قبولی تخمین بزنند. خصوصیت دیگر این مدل ها که آنها را نسبت به سایر روش ها و الگوریتم های دیگر ممتازتر می نماید حساسیت کمتر آنها نسبت به وجود خطا در ورودی ها می باشد این ویژگی ها سبب افزایش رویکرد به این مدل ها در بین انواع مدل های پیش بینی شده است. بهمین دلیل مطالعه محققین این طرح پس از جستجوهای متنوع طرحی را برای پیش بینی پاسخ دهی بیماران به درمان های کبد چرب برپایه ی اطلاعات فردی، بالینی و آزمایشگاهی در گروه های مختلف بیماران را پیشنهاد نمود. دراین پروژه اطلاعات مربوط به تعداد 1464 بیمار با نتیجه درمان مشخص گرد آوری می شود. در مرحله اطلاعات مفید مورد نظر توسط نرم افزارها والگوریتم های مناسب استخراج می گردد. در این تحقیق برای پیش بینی شدت بیماری کبد چرب با استفاده از قابلیتهای مدل شبکه های عصبی مصنوعی(anns) مدل های هوشمندی توسعه داده خواهد شد و دقت پیش بینی و عملکرد آنها در مقایسه با داده های واقعی بررسی خواهد شد. عملکرد این مدلها بدین صورت خواهد بود که با وارد نمودن اطلاعات فرد بیمار به مدل شبکه عصبی مصنوعی، درجه شدت آسیب کبدی پیش بینی خواهد شد. انجام موفق تحقیق حاضر رهیافت نوینی در تعیین شدت آسیب کبدی بیماران بشمار می رود که از ارزش کاربردی بالینی و عملی ویژه ای برای بیماران نیز برخوردار است. شبکه های عصبی مورد استفاده دراین تحقیق ، شبکه های عصبی چندلایه و شبکه های عصبی پایه شعاعی میباشد. زیرا پرسپترون نوعی از شبکه عصبی برمبنای یک واحد محاسباتی به نام پرسپترون ساخته میشود. یک پرسپترون برداری از ورودیهای با مقادیر حقیقی را گرفته و یک ترکیب خطی از این ورودیها را محاسبه میکند. اگر حاصل از یک مقدار آستانه بیشتر بود خروجی پرسپترون برابر با 1 و در غیر اینصورت معادل -1 خواهد بود شبکه های تابع پایه شعاعی رفتاری مشابه شبکه های بیولوژیکی مغز انسان دارد. شبکه ای مرتبط با شبکه پیش خور چند لایه با یک لایه ورودی و الگوریتم آموزش که این مجموعه یکی از قویترین شبکه های عصبی را تشکیل داده است. شبکه rbf نسبت به شبکه پرسپترون پیشخورد چند لایه ساختار ساده تری دارد و از سه لایه ثابت تشکیل شده : لایه ورودی محل ورود داده ها به شبکه , لایه میانی که به لایه rbf نیز معروف است و لایه خروجی که ترکیبی خطی از کلیه خروجی های لایه میانی است.