کیمیا زروج حسینی، ریحانه طاهری، امین گلابپور،
دوره 25، شماره 5 - ( 9-1404 )
چکیده
مقدمه: دیابت یک مشکل جدی جهانی است و روشهای پیشبینی و مدیریت آن اهمیت زیادی دارند. روشهای تشخیصی مرسوم شامل آزمایشهایی مانند OGTT، FPG و HbA1c است. یادگیری ماشین میتواند دقت تشخیصی را بهبود بخشد، اما نیاز به بررسی گایدلاینهای بالینی و عملکرد آن در مقایسه با روشهای مرسوم وجود دارد.
روشها: این مرور روایتی اثربخشی یادگیری ماشینی در تشخیص زودهنگام دیابت را بررسی میکند. مقالات براساس معیارهای مشخص انتخاب و از نظر طبقهبندی الگوریتمها، شاخصهای خروجی، مشارکت متخصصان بالینی و شفافیت تحلیل شدند. معیارهایی مانند دقت، AUC، ویژگی و حساسیت برای ارزیابی عملکرد الگوریتمها استفاده شدند. مقالات مرتبط برای مقایسه تشخیص پیش دیابت باهوش مصنوعی و روشهای مرسوم بررسی شدند و گایدلاینهای هر دو حوزه استخراج و مقایسه شدند.
یافتهها: تحلیل 41 مقاله نشان داد که الگوریتمهای ANN، LR و DNN بیشترین استفاده را داشتهاند. تنها 2 درصد مقالات از قوانین بالینی و حضور پزشکان استفاده کرده و 12 درصد از مقالات قابلیت تفسیر داشتهاند. در روشهای مرسوم از تستهای HbA1c و FPG استفاده میشود، امّا هیچ گایدلاین بالینی برای هوشمصنوعی منتشر نشده است. الگوریتمهای هوش مصنوعی در حساسیت و ویژگی بهترتیب 29 و 23 درصد بهتر عمل کردند.
نتیجهگیری: اگرچه هوش مصنوعی در تشخیص پیشدیابت عملکرد بهتری دارد، اما بهدلیل مشکلاتی مانند عدم ارزیابیپذیری و نبود گایدلاینهای بالینی، هنوز برای استفاده در بالین آماده نیست. با رفع این محدودیتها، هوش مصنوعی میتواند بهعنوان روشی کارآمدتر بهکار رود.
دکت حسین ازگومی، علی اصغری،
دوره 25، شماره 5 - ( 9-1404 )
چکیده
مقدمه: دیابت نوعی بیماری مزمن است که در آن بدن نمیتواند از گلوکز استفاده و یا آن را ذخیره کند. دیابت زمانی رخ میدهد که لوزالمعده قادر به ساخت انسولین نباشد یا بدن نتواند از انسولین تولید شده استفاده کند. امروزه بیماری دیابت یک بیماری شایع در جهان است و ارائه روشهایی خودکار برای تشخیص آن بسیار حائز اهمیت است.
روشها: در این مقاله، روشی نوین برای تشخیص دیابت با استفاده از الگوریتمهای هوش مصنوعی معرفی شده است. روش پیشنهادی مبتنی بر الگوریتمهای فرا ابتکاری و طبقهبندی است. برای انتخاب ویژگیها از الگوریتم فرا ابتکاری تبرید شبیهسازی شده (SA) استفاده شد. تشخیص دیابت نیز با استفاده از الگوریتم طبقهبندی بهبودیافته کی-نزدیکترین همسایه (KNN) انجام میشود. علاوه بر روش پیشنهادی، عملکرد دو روش دیگر با نامهای MVMCNN و WKNN در تشخیص دیابت مورد مطالعه قرار گرفتند.
یافتهها: روش پیشنهادی با دو روش دیگر برای تشخیص دیابت بهصورت عملی مقایسه شده است. مقایسهها براساس میزان دقت حاصل از تشخیص بیماری صورت گرفت. در آزمایشها روش پیشنهادی (SAKNN) دقت 95%، روش MVMCNN دقت 93% و روش WKNN دقت 90% را ارائه کردند. بنابراین روش پیشنهادی نسبت به سایر روشها عملکرد بهتری از خود نشان داده است. از نظر زمانی و چند معیار دیگر نیز روش پیشنهادی عملکرد قابل قبولی داشت.
نتیجهگیری: روش پیشنهادی برای تشخیص دیابت به کمک الگوریتمهای فرا ابتکاری و طبقهبندی دقت بالاتری نسبت به دیگر روشها ارائه میدهد. این نتایج نشان میدهد که استفاده مناسب از تکنیکهای هوش مصنوعی میتواند راهحلهای مؤثری برای تشخیص خودکار بیماریی دیابت ارائه دهد و میتواند بهعنوان یک ابزار کمکی برای پزشکان و محققین بهکار گرفته شود.
