تشخیص شدت بیماری کبد چرب غیرالکلی بر مبنای هوش مصنوعی تفسیرپذیر

زمینه و هدف: ابتلا به بیماری‌ کبد چرب غیرالکلی، به‌دلایلی چون چاقی مفرط، دیابت نوع دوم و ناهمگونی‌های هورمونی به‌طور قابل‌توجهی شیوع پیدا کرده است. هدف از این مقاله، ارائه یک الگوریتم کاربردی براساس الگوریتم‌های تفسیرپذیر یادگیری ماشین برای تشخیص افراد مبتلا به چربی کبد غیرالکلی و تعیین شدت و گستردگی بیماری به کمک اطلاعات بالینی می‌باشد.روش بررسی: در این راستا، مجموع 181 بیمار مبتلا به درجه‌های مختلف بیماری کبد چرب غیرالکلی، مورد بررسی قرار گرفتند. این مجموعه داده در بازه زمانی بهمن 1389 تا دی سال 1398 در بیمارستان دانشگاه ایهایم با تشخیص ابتلا یا عدم ابتلا به کبد چرب براساس نتیجه ارزیابی پاتولوژیکی نمونه کبدی جمع‌آوری شده است. برای این دادگان، از روش الگوریتم‌های انتخاب ویژگی برای تعیین ویژگی‌های غالب و روش‌های طبقه‌بندی مختلف برای تعیین سطح شدت شاخص‌های شدت کبد چرب استفاده شد. همچنین برای تفسیر بهتر کارکرد روش‌های مورد استفاده، این اطلاعات به کمک الگوریتم‌های هوش مصنوعی تفسیرپذیر، تحلیل و بررسی شد.یافته‌ها: استفاده از روش کلاس‌بندی xgboost به‌همراه روش انتخاب ویژگی رو به‌جلو، منجر به‌دقت 5.5±69.23% برای شاخص‌ شدت کبد چرب گردید. بررسی این دادگان توسط الگوریتم‌های تفسیرپذیری هوش مصنوعی نشان داد که متغیرهای سن، bmi، hdl، ldl، hba1c، و gpt به ازاء سه کلاس تعیین شده و شاخص‌های gpt، سن، bmi، hdl، hba1c، ldl، تری گلیسراید، و کلسترول در تعیین کارایی مدل کلی، جزو اثرگذارترین متغیرهای بالینی هستند که در طبقه‌بندی شدت بیماری کبد نقش مهمی دارند.نتیجه‌گیری: بررسی‌های این مطالعه به‌خوبی نشان داد که می‌توان تخمین قابل قبولی از شدت ابتلا به بیماری کبد چرب به‌دست آورد که همین موضوع می‌تواند در تعیین درجه ابتلا برای اقدامات درمانی بعدی بیماران کمک‌کننده باشد و از تحمیل هزینه‌های درمانی به سیستم درمانی و بیمار جلوگیری نماید.

diagnosing the severity of non-alcoholic fatty liver disease based on explainable artificial intelligence

background: nonalcoholic fatty liver disease (nafld) represents a growing global health burden, strongly associated with rising rates of obesity, diabetes, and metabolic syndrome. this study introduces a machine learning framework to precisely diagnose nafld, classify disease severity, and stratify risk using routine clinical data. our model improves early detection and risk prediction, supporting evidence-based clinical decisions. leveraging predictive analytics, this scalable approach identifies high-risk patients and enables personalized interventions. the data-driven strategy optimizes nafld management by extracting maximal value from standard healthcare records, delivering both clinical and operational advantages.methods: this study examined 181 nafld patients across disease stages. the dataset was compiled from february 2010 to january 2019 at eheim university hospital, comprising general volunteers who were diagnosed with or without fatty liver based on histopathological evaluation of liver biopsy samples. forward selection and mutual information identified predictive features, applied in classification models (e.g., random forest) to assess steatosis severity. explainable ai (xai) improved model interpretability. combining robust feature selection, machine learning, and xai ensured accurate, clinically actionable nafld severity evaluation.results: the xgboost classifier with forward feature selection attained a classification accuracy of 69.23%±5.5% for steatosis severity. interpretability analysis highlighted age, body mass index (bmi), high-density lipoprotein (hdl), low-density lipoprotein (ldl), a1c hemoglobin (hba1c), and glutamate pyruvate transaminase (gpt) as the most impactful variables across three severity classes. furthermore, gpt, age, bmi, hdl, hba1c, ldl, triglycerides, and cholesterol were critical to model performance, emphasizing their diagnostic significance in nafld progression. these findings suggest their utility in clinical assessments and risk stratification.conclusion: this study developed a machine learning model for accurate nafld diagnosis and severity stratification using routine clinical data. accessible biomarkers reliably predicted disease progression, enabling gastroenterologists to facilitate early intervention. this cost-effective approach reduces healthcare costs while improving outcomes through precision medicine. implementing such predictive tools in clinical practice could optimize resource allocation and enhance long-term nafld management. the framework supports timely diagnostics and targeted therapies, advancing patient-centered care.