تشخیص اختلالات توام حرکتی مری بر اساس دادگان مانومتری رزولوشن بالا

اختلالات حرکتی مری یکی از بیماری ‌های سیستم گوارش است که در آن حرکت توده‌ی غذایی در طول مری به صورت طبیعی اتفاق نمی‌افتد. روش استاندارد برای تشخیص این موارد، بهره‌گیری از مانومتری رزولوشن بالا است. علی‌رغم وجود راهنماهای پزشکی مانند راهنمای شیکاگو برای تحلیل نتایج مانومتری، این موضوع کماکان امر دشواری بوده که نیاز به تجربه‌ی بالای پزشک و یا استفاده از دیگر روش‌های کمکی ثانویه برای تشخیص دارد. از سوی دیگر بسیاری از اختلالات مذکور می‌توانند به صورت توام در یک فرد ظاهر شده و تشخیص‌گذاری را پیچیده‌تر کنند. تمرکز این مطالعه روی بیمارانی با بیش از یک اختلال به صورت توام بوده و موضوع تشخیص بیماری به صورت یک مساله‌ی طبقه‌بندی چندبرچسبی مطرح شده است. از این رو ساختار طبقه‌بند فازی که پیش‌تر توسط نویسندگان این مقاله به منظور تشخیص تک‌بیماری معرفی شده، توسعه یافته است تا علاوه بر یادگیری فضای ورودی نمونه‌ها، از اطلاعات هم‌شیوعی اختلالات نیز برای بهبود پیش‌بینی استفاده کند. نتایج به دست آمده نشان داده که اضافه کردن این اطلاعات به فرایند تعلیم طبقه‌بند نه تنها عمل‌کرد آن را نسبت به حالت پایه به شکل قابل ملاحظه‌ای افزایش داده، بلکه منجر به ساختاری از طبقه‌بندی کننده‌ی فازی شده است که نسبت به روش‌های دیگر طبقه‌بندی چندبرچسبی برتری دارد. روش معرفی شده قادر است با هزینه‌ی همینگ متوسط 0.08±0.18 اختلالات حرکتی مری را تشخیص دهد که نسبت به سایر روش‌ها عمل‌کرد بهتری به شمار می‌آید.

distinguishing multiple concurrent esophageal motility disorders using high-resolution manometry

esophageal mobility disorders are a type of digestive system problem characterized by abnormal bolus movement in the esophagus. the standard diagnostic method for these kinds of disorders is high-resolution manometry (hrm). despite the availability of guidelines like “chicago” for the analysis of hrm results, diagnosis is still a challenging task that is relies on the physician’s skills or requires additional assessment modalities. additionally, it is typical for esophageal mobility disorders to co-occur in one person, leading to a more complex situation for problem identification. the current study focuses on cases who suffering from more than one disorder simultaneously. then the problem of disorder identification can be interpreted as a multi-label classification problem. consequently, the fuzzy classifier architecture that was previously introduced for automatic single-disorder diagnosis by the authors is modified. the presented classifier in this paper not only learns the input space from the samples but also utilizes the co-morbidity of disorders to enhance the prediction results. the outcomes show that adding this information to the learning procedure of the base classifier enhances its performance and generates a new fuzzy classifier that overcomes other multi-label classifiers. the presented method is able to differentiate esophageal mobility disorders with an average hamming loss of 0.18±0.08 which is better than other competitor methods.