مروری بر فنون تشخیصی و هوش مصنوعی برای شناسایی مالتیپل اسکلروزیس

مقدمه: مالتیپل اسکلروزیس (ms) اختلالی خودایمنی است که در آن دستگاه ایمنی به غلاف میلین اعصاب حمله می‌کند و باعث آسیب و اختلال در انتقال سیگنال‌های عصبی می‌شود. این بیماری می‌تواند به ضعف عضلانی، مشکلات بینایی، نداشتن تعادل و ناهماهنگی منجر گردد. تشخیص سریع و دقیق آن برای مدیریت و کنترل بیماری ضروری است؛ زیرا می‌تواند روند پیشرفت را کند نماید و از آسیب‌های دائمی جلوگیری کند.مواد و روش­ها: در این پژوهش، روش‌های تشخیصی ms شامل الکتروانسفالوگرافی، الکترومیوگرافی، داده‌های بالینی، آنالیز مایع مغزی نخاعی، تصویربرداری رزونانس مغناطیسی و توموگرافی انسجام نوری بررسی شد؛ همچنین روش‌های مبتنی بر هوش مصنوعی برای تحلیل خودکار داده‌ها و تشخیص سریع‌تر بیماری معرفی گردیدند. به‌عنوان روش انحصاری، پلتفرم مبتنی بر تشخیص خودکار از طریق ادغام روش‌های موجود ارائه شد.یافته های پژوهش: بررسی‌ها نشان ‌داد که تصویربرداری رزونانس مغناطیسی دقت بالایی در تشخیص دارد. با توجه به میانگین دقت روش‌های مبتنی بر هوش مصنوعی در هرکدام از روش‌های اصلی برای تصویربرداری رزونانس مغناطیسی، توموگرافی انسجام نوری، الکتروانسفالوگرافی، الکترومیوگرافی و آزمایش‌های مایع مغزی نخاعی به‌ترتیب به دقت‌های 90، 75، 80، 90 و 95 درصدی دست می‌یابند. پلتفرم پیشنهادی ترکیب این روش‌ها را برای افزایش سرعت و دقت تشخیص ارائه می‌دهد. بحث و نتیجه‌گیری: استفاده از فنون پیشرفته در تشخیص ms و ترکیب روش‌های مختلف می‌تواند به تشخیص زودهنگام، بهبود روند درمان و کاهش عوارض بیماری کمک کند. 

diagnostic techniques and artificial intelligence for multiple sclerosis identification

introduction:  multiple sclerosis is a chronic autoimmune disorder causing the degeneration of the myelin sheath, affecting nerve signal transmission. symptoms include muscle weakness, visual disturbances, balance impairments, and incoordination. early diagnosis is crucial for effective disease management and preventing irreversible neurological damage. this research was designed to explore diagnostic methods and introduces machine learning for automated data analysis and faster diagnosis.materials & methods: this study reviewed diagnostic methods for multiple sclerosis (ms), including electroencephalography (eeg), electromyography (emg), clinical data, cerebrospinal fluid analysis, magnetic resonance imaging (mri), and optical coherence tomography (oct). artificial intelligence (ai) based approaches were also introduced to enable automated data analysis and expedite disease diagnosis. a novel platform based method was proposed as an exclusive approach for automated detection through the integration of established diagnostic techniques.results: findings indicated that magnetic resonance imaging (mri) demonstrates high accuracy in the diagnosis of multiple sclerosis. based on the average performance of artificial intelligence based methods across the primary diagnostic modalities, accuracies of 90%, 75%, 80%, 90%, and 95% were achieved for mri, optical coherence tomography (oct), electroencephalography (eeg), electromyography (emg), and cerebrospinal fluid analysis, respectively. the proposed platform integrates these modalities to enhance both the speed and accuracy of disease detection.conclusion: the utilization of advanced diagnostic techniques, coupled with the integration of multiple methodologies, markedly improves the early detection and therapeutic intervention of multiple sclerosis, thereby reducing the associated complications of the disease.