پیشرفت ها و چالش ‌های هوش مصنوعی در تشخیص کبد چرب غیرالکلی: مرور نظام‌مند

زمینه و هدف کبد چرب غیرالکلی یکی از شایع‌ترین بیماری‌ها در جهان است. در صورت تشخیص ندادن و درمان نشدن، بیماری تشدید می‌شود. درحال‌حاضر بیوپسی کبد روش استاندارد برای تشخیص بیماری است که محدودیت‌های بسیاری دارد. الگوریتم‌های هوش مصنوعی می‌توانند از معیارهای بالینی و تصویربرداری برای تشخیص کبد چرب استفاده کنند. در این مطالعه به بررسی روش‌های تشخیص به کمک هوش مصنوعی پرداخته شده است.روش بررسی مطالعه‌ی حاضر مرور سیستماتیک استفاده از هوش مصنوعی برای تشخیص بیماری کبد چرب است. در مرحله‌ی اول، مقالات در پایگاه‌های داده‌ی استنادی با معیارهای تعیین‌شده انتخاب و سپس براساس الگوریتم استفاده‌شده، نوع داده‌های مورد مطالعه، حضور متخصص بالینی و ارزیابی بالینی بررسی شدند. جهت سنجش عملکرد الگوریتم‌های هوش مصنوعی، از معیارهای مختلف ارزیابی استفاده شده است. یافته‌ها پژوهشگران پس از بررسی مشاهده کردند که تشخیص در 42 درصد از مقالات با کمک پردازش تصویر و 58 درصد با کمک بیومارکرها بوده و 84 درصد از مقالات، پزشک متخصص حضور داشته است و تقریباً در هیچ مطالعه‌ای از ارزیابی بالینی استفاده نشده است و بیشتر، از الگوریتم‌های جعبه‌ی سیاه هستند. همچنین نتایج آزمون t-test آشکار کرد که عملکرد هوش مصنوعی در دو روش تشخیصی تفاوت زیادی با یکدیگر ندارد.نتیجه‌گیری استفاده از هوش مصنوعی برای تشخیص بیماری کبد چرب کمک بسیار زیادی می‌کند؛ ولی عدم ارزیابی بالینی و استفاده از الگوریتم‌های جعبه‌ی سیاه، چالشی است که استفاده از الگوریتم‌ها با آن مواجه است و محدودیت‌های قابل‌توجهی برای کاربرد فعلی هوش مصنوعی در محیط‌های بالینی ایجاد می‌کند.

advances and challenges of artificial intelligence in diagnosing non-alcoholic fatty liver disease: a systematic review

background and objectives non-alcoholic fatty liver disease (nafld) is one of the most common diseases worldwide. if not diagnosed and treated, the disease can progress and worsen. currently, liver biopsy is the standard method for diagnosing nafld, though it has numerous limitations. artificial intelligence (ai) algorithms can utilize clinical and imaging parameters to aid in the diagnosis of fatty liver disease. this study reviews ai-assisted diagnostic methods for fatty liver disease.subjects and methods the present study is a systematic review of ai applications in diagnosing fatty liver disease. in the first phase, articles from citation databases were selected based on predefined criteria and then examined according to the algorithms used, types of data studied, involvement of clinical specialists, and clinical evaluation. various evaluation parameters were used to assess the performance of the ai algorithms.results researchers observed that, among the articles reviewed, 42% employed image processing, 58% relied on biomarkers, and in 84% of the studies, a specialist physician was involved. nearly none of the studies included clinical evaluation, and most used black-box algorithms. additionally, results from the t-test indicated no significant difference in ai performance between the two diagnostic approaches.conclusion ai significantly aids in diagnosing fatty liver disease; however, the lack of clinical evaluation and reliance on black-box algorithms pose challenges. these limitations significantly impact the current application of ai in clinical settings.