استفاده از تکنیک‌های هوش مصنوعی برای شناسایی میزان شدت بیماری کبد چرب غیر الکلی توسط شاخص‌های بالینی

مقدمه: بیماری کبد چرب غیر الکلی ( non-alcoholic fatty liver disease:nafld) یکی از شایع‌ترین بیماری‌های کبدی است که شدت آن دارای سطوح مختلفی می‌باشد. اخیراً، دستگاه فیبرواسکن به‌عنوان یک روش غیر‌تهاجمی برای اندازه‌گیری میزان ارتجاع‌پذیری کبد و درنتیجه چرب بودن آن مورد استفاده قرار می‌گیرد. هدف از این پژوهش، ارایه یک روش کم هزینه‌ و ساده برای تشخیص این بیماری از طریق علایم بالینی می‌باشد.مواد و روش‌ها: 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 اندازه‌گیری و آزمایشات بالینی و سنوگرافی نیز انجام گرفت. سپس به‌منظور تعیین رابطه بین اطلاعات به‌دست آمده از بیماران و سطوح بیماری از شبکه‌های عصبی مصنوعی استفاده شده است. در نهایت، به کمک تکنیک‌های هوش مصنوعی روشی برای استخراج قانون از شبکه‌های عصبی مصنوعی برای نمایش ارتباط بین داده‌ها استفاده شده است.نتایج: براساس نتایج به‌دست 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 می‌گیرند. طبق روش پیشنهادی، دقت در شناسایی نمونه‌های هر کلاس به‌ترتیب: 100% برای کلاس f4، 31/99% برای کلاس f3، 94/93% برای کلاس f2 و 58/80% برای کلاس f1 می‌باشد. بر این اساس این روش می‌تواند نمونه‌های دسته‌های f4 و f3 را به‌صورت ایده‌آل و نمونه‌های دسته‌های f2 و f1 را با دقت خوبی شناسایی کند.نتیجه‌گیری: نتایج حاصل از این تحقیق نشان می‌دهد که روش پیشنهادی قادر است علاوه‌بر صرف هزینه کمتر و قابلیت دسترسی آسان‌تر 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.