8 نتیجه برای شبکه عصبی
مصطفی لنگری زاده، عصمت خواجه پور، راحله سالاری، حسن خواجه پور،
دوره 10، شماره 5 - ( 10-1395 )
چکیده
زمینه و هدف: تشخیص افتراقی مننژیت باکتریال امری پیچیده است، زیرا ویژگی های تشخیصی زیادی در آن دخالت دارد. از سوی دیگر، امروزه منطق فازی و شبکه های عصبی مبنای بسیاری از سیستم های هوشمند هستند و ظرفیت لازم را برای حل مشکلات تشخیصی این بیماری دارند. هدف این مقاله، مقایسه ی منطق فازی و شبکه های عصبی مصنوعی در افتراق مننژیت باکتریال از سایر مننژیت هاست.
روش بررسی: در این مطالعه برای تشخیص افتراقی مننژیت باکتریال از سایر مننژیت ها، ابتدا 6 فاکتور اصلی با مشورت پزشکان انتخاب شد. در مرحله دوم از نرم افزار MatLab برای طراحی سیستم ها استفاده شد و سپس با استفاده از داده های 26 بیمار هر دو سیستم ارزیابی گردید.
یافته ها: تشخیص افتراقی مننژیت باکتریال از دیگر مننژیت ها در سیستم مبتنی بر منطق فازی، صحت، ویژگی و حساسیت تشخیص 88، 92 و 100، و در سیستم مبتنی بر شبکه ی عصبی نیز 92، 94 و 88 درصد را نشان داد. آزمون کاپای این دو به ترتیب 0/830(0/001>p) و 0/830 با (0/001>p) و فضای زیر منحنی ROC نیز معادل و 0/940 و 0/910 بود.
نتیجه گیری: حساسیت، میزان تطابق و عملکرد روش منطق فازی نسبت به روش شبکه عصبی بهتر است. اگر چه، منطق فازی برای تشخیص افتراقی مننژیت باکتریال قابل اعتمادتر بود. اما از آنجایی که دو سیستم با استفاده از داده های 26 بیمار و از یک مرکز مورد ارزیابی قرار گرفته، بهتر است در مطالعات آینده موارد بیشتری بررسی شود.
سجاد مظاهری، مریم عاشوری، زینب بچاری،
دوره 11، شماره 3 - ( 6-1396 )
چکیده
زمینه و هدف: امروزه بیماری قلبی بسیار معمول و یکی از دلایل اصلی مرگ و میر به شمار می رود. به همین علت تشخیص درست و به موقع این بیماری بسیار مهم است. روش های تشخیصی و درمانی این بیماری عوارض جانبی زیاد و پرهزینه ای دارد. بنابراین محققان به دنبال روش های ارزان و با دقت بالا برای تشخیص این بیماری هستند. پژوهش حاضر با هدف شناسایی الگویی برای تشخیص روش درمان بیماری قلبی صورت گرفته است.
روش بررسی: پژوهش حاضر به روش توصیفی- مقطعی صورت گرفته و نمونه گیری به روش سرشماری بوده است. جامعه ی پژوهش متشکل از داده های بیمارستان های خاتم الانبیاء(ع) و علی ابن ابی طالب(ع) زاهدان است که با مراجعه ی مستقیم پژوهش گر به سازمان حاصل و به صورت فایل اکسل تهیه گردید. جهت تحلیل داده ها از نرم افزار Clementine۱۲.۰ استفاده شده است. در پژوهش حاضر الگوریتم های CHAID ،C&R Tree ،C۵.۰ و QUEST و شبکه عصبی مصنوعی روی مجموعه داده اجرا گردید.
یافته ها: مقدار صحت ۷۶/۰۴ توسط الگوریتم C&R Tree نشان دهنده ی عملکرد بهتر الگوریتم های درخت تصمیم نسبت به شبکه ی عصبی است.
نتیجه گیری: هدف این مطالعه ارایه مدلی برای پیش بینی روش درمانی مناسب بیماری قلبی به منظور کاهش هزینه های درمان و کیفیت ارایه خدمات بهتر به پزشکان می باشد. با توجه به قابل ملاحظه بودن خطرات اجرای روش های تشخیص تهاجمی مانند آنژیوگرافی و نیز حصول تجارب موفقیت آمیز داده کاوی در پزشکی، این مطالعه مدلی مبتنی بر تکنیک های داده کاوی ارایه نموده است. نقطه ی قابل بهبود مدل فوق ارایه سیستمی تصمیم یار جهت کمک به پزشکان برای افزایش صحت تشخیص روش درمان بیماری می باشد.
اعظم اروجی، مصطفی لنگری زاده، مریم آقازاده، مهران کامکار حقیقی، مرجان قاضی سعیدی، فاطمه مقبلی،
دوره 12، شماره 4 - ( 8-1397 )
چکیده
زمینه و هدف: هوش مصنوعی شاخه‌ای از علوم کامپیوتر است که توانایی تحلیل داده‌های پزشکی پیچیده را دارد که استفاده از آن در تشخیص، درمان و مراقبت از بیماران رایج است. وارفارین یکی از رایج‌ترین داروهای ضدانعقادی است که تعیین دقیق دوز مورد نیاز بیماران یکی از چالش های عمده در نظام سلامت است که مورد توجه پژوهشگران قرار گرفته است. هدف این پژوهش تعیین دوز وارفارین مورد نیاز بیماران دارای دریچه مصنوعی قلب با استفاده از شبکه‌های عصبی است.
روش بررسی: تعداد 9 شبکه عصبی پرسپترون چند لایه با ساختارهای متفاوت ایجاد شد. برای ارزیابی عملکرد شبکه‌ها از
داده های 846 بیمار استفاده شد که در شش ماهه‌ی دوم سال 92 به درمانگاه PT مرکز قلب تهران مراجعه کرده بودند. تمام شبیه‌سازی‌ها شامل پیش پردازش داده و طراحی شبکه عصبی در محیط Matlab انجام گردید.
یافته‌ها: ارزیابی‌عملکرد شبکه‌ها بر اساس روش 10 fold cross انجام شد که نشان داد بهترین شبکه عصبی، شبکه ای است که دارای 7 نورون در لایه‌ی پنهان خود است که دارای میانگین خطای مطلق=0.1، نرخ اغتشاش=0.33 و رگرسیون=0.87 درصد بود.
نتیجهگیری: نتایج پژوهش بیانگر این نکته است که شبکه‌های عصبی مصنوعی بر روی داده‌های بومی قادر به پیش بینی دوز وارفارین در بیماران دارای دریچه قلب مصنوعی می‌باشد. هر چند هیچ سیستمی قادر به ارایه پاسخ صحیح در صددرصد موارد نیست، لیکن این گونه سیستم ها می توانند کمک موثری در کاهش میزان خطاهای پزشکی باشند.
آزیتا یزدانی، علی اصغر صفایی، رضا صفدری، مریم زحمت کشان،
دوره 13، شماره 3 - ( 6-1398 )
چکیده
زمینه و هدف: سرطان پستان شایع‌‌ترین سرطان و اصلی‌ترین علت مرگ ناشی از سرطان در زنان سراسر جهان به‌شمار می‌رود. تکنولوژی‌هایی مثل داده کاوی، به متخصصان این حوزه، امکان بهبود تصمیم‌گیری را در زمینهی تشخیص زودهنگام فراهم آورده‌اند. هدف از این پژوهش توسعه‌ی مدل تشخیص خودکار سرطان پستان با به‌کارگیری روشهای داده کاوی و انتخاب مدل بومی ویژه بیماران استان فارس با بالا‌ترین دقت تشخیص می‌باشد.
روش بررسی: در این مطالعه، تعداد 654 پرونده در دسترس از بیماران کلینیک تخصصی سرطان پستان مطهری شیراز به‌عنوان نمونه مورد استفاده قرار گرفت که بعد از عملیات پیش پردازش این تعداد به 621 پرونده کاهش یافت. برای هر کدام از نمونه‌ها دارای 22 ویژگی در پرونده پزشکی ثبت شده بود که در نهایت 10 ویژگی تاثیر‌گذار در ساخت مدل استفاده شد. از سه روش درخت تصمیم، بیز ساده و شبکه عصبی مصنوعی به‌منظور تشخیص ابتلا به سرطان پستان و روش 10-fold cross-validation برای ساخت و ارزیابی مدل بر روی مجموعه داده‌ی جمع‌آوری شده بهره گرفته شد.
یافته‌ها: نتایج بهدست آمده از سه تکنیک ذکر شده نشان داد که هر سه مدل، نتایج امیدبخشی در تشخیص این سرطان دارند. در نهایت، شبکه عصبی مصنوعی، بالا‌ترین دقت 94/49%(حساسیت 96/19%، ویژگی 86/36%)، در تشخیص ابتلا به سرطان پستان به خود اختصاص داد.
نتیجه گیری: بر طبق نتایج حاصل از درخت تصمیم ایجاد شده، ریسک فاکتورهایی چون سن، وزن، سن شروع قاعدگی، یائسگی، مدت زمان مصرف OCP و سن اولین بارداری از جمله عوامل موثر در ابتلای زنان به سرطان پستان در استان فارس شناخته شدند.
محسن رضایی، نازنین زهرا جعفری، حسین غفاریان، مسعود خسروی فارمد، ایمان ذباح، پروانه دهقان،
دوره 13، شماره 5 - ( 10-1398 )
چکیده
زمینه و هدف: تشخیص به‌موقع عملکرد غیرطبیعی تیروئید و بهدنبال آن در پیش گرفتن درمان صحیح، می‌‌تواند باعث کاهش مرگ‌ومیر مرتبط با این بیماری شود. همچنین عدم‌تشخیص به‌موقع، عوارض جبران‌ناپذیری برای بیمار در پی خواهد داشت. این مطالعه، با هدف تعیین وضعیت غده تیروئید از نظر نرمال بودن، پرکاری یا کم‌کاری با استفاده از تکنیک‌های داده‌کاوی انجام‌شده است.
روش بررسی: تولید مدل پیش‌بینی کننده به‌منظور طبقهبندی بیماری تیروئید، پس از پیش‌پردازش داده‌ها با استفاده از روشهای نظارت‌شده و بدون ناظر انجام گردید. این مطالعه از نوع تحلیلی بوده و پایگاه داده ی آن شامل ۲۱۵ رکورد مستقل مبتنی بر ۵ ویژگی پیوسته و برگرفته‌شده از مرجع داده یادگیری ماشین UCI می‌باشد.
یافته‌ها: در روش نظارت‌شده از شبکه های عصبی پرسپترون چندلایه و شبکه عصبی بردار یادگیر و شبکه عصبی فازی و در روش بدون نظارت از خوشه بندی فازی استفاده گردید. با روش حداقل مربعات خطا (RMSE) به ترتیب دقت های ۰/۰۵۵ و ۰/۲۷۴ و ۰/۰۱۲ و ۰/۰۳۱ حاصل شد.
نتیجهگیری: کاهش خطای تشخیص بیماری تیروئید یکی از اهداف محققان بوده است. استفاده از روش های مبتنی بر داده‌کاوی می تواند به کاهش این خطا کمک کند. در این مطالعه تشخیص بیماری تیروئید به کمک روشهای مختلف تشخیص الگو صورت گرفت. نتایج نشان می دهد که مدل عصبی فازی دارای حداقل میزان خطا و بیشترین دقت است.
مونا سرحدی، محمدامین شایگان،
دوره 15، شماره 1 - ( 1-1400 )
چکیده
زمینه و هدف: برای درمان مؤثر بیماری آلزایمر (AD: Alzheimer Disease)، تشخیص دقیق این بیماری و مرحله‌‌ی پیش از آن، یعنی اختلال شناختی خفیف (MCI: Mild Cognitive Impairment) اهمیت دارد. یکی از مهمترین روشهای تشخیص زودهنگام AD، اندازه‌‌گیری آتروفی است که برای این کار از انواع اسکنهای مغزی مانند MRI استفاده می‌شود. هدف اصلی پژوهش حاضر ارایه یک سیستم تشخیص کامپیوتری به منظور تشخیص زودهنگام AD، با استفاده از الگوریتمهای یادگیری ماشین، جهت کمک به پزشکان است. سیستم پیشنهادی با بررسی آتروفی هیپوکامپ تصاویر MRI مغز، اقدام به تشخیص AD نموده و دقت تشخیص این بیماری را نیز افزایش می‌‌دهد.
روش بررسی: در این پژوهش با استفاده از شبکه عصبی کانولوشن و کانتور فعال، عملیات جداسازی هیپوکامپ از سایر بخشهای مغز انجام شد و پس از آن با استفاده از طبقه‌‌بند ماشین‌‌بردار پشتیبان، سه گروه افراد سالم (NC: Normal Control) به تعداد ۴۴ مورد، افراد مبتلا به AD به تعداد ۴۵ مورد و افراد مبتلا به MCI به تعداد ۴۶ مورد تفکیک گردیدند.
یافته‌ها: روش پیشنهادی در این مطالعه ، در طبقهبندی دوکلاسه AD در برابر NC به‌‌ترتیب به میانگین دقت، حساسیت و خاصیت ۷۷/۹۸%، ۷۴/۹۸% و ۹۶/۹۷% دست یافت. همچنین در طبقهبندی دوکلاسه MCI در برابر NC، این روش به‌‌ترتیب به میانگین ۱۴/۹۶% دقت، ۲۳/۹۶% حساسیت و ۲۱/۸۸% خاصیت دست یافته است. روش پیشنهادی در مقایسه با نزدیکترین روش رقیب در طبقهبندی AD در برابر NC به ترتیب ۶۴/۱% بهبود دقت و ۸۱/۲% بهبود حساسیت و در طبقهبندی MCI در برابر NC به‌‌ترتیب ۹/۸% بهبود دقت و ۱۶/۲% بهبود خاصیت را نشان داد. این بهبود ناشی از استفاده از الگوریتم بهبودیافته تقطیع ACM، ترکیب ویژگیهای استخراجی از تصاویر هیپوکامپ با ویژگیهای ایجاد‌‌شده از قبل توسط شبکه ImageNet، حذف ویژگیهای نامناسب از بردار ویژگی و همچنین استفاده از شبکه عمیق Inception v۳ بوده است.
نتیجهگیری: بر اساس نتایج، ترکیب ویژگیهای استخراجی از چندضلعی محیطی هیپوکامپ و ویژگیهای بهدست آمده از شبکه عمیق، جهت تشخیص AD و MCI می‌‌تواند کاملا مناسب باشد
مرسا غلامزاده، سید محمد ایوب زاده، هدا زاهدی، شراره رستم نیاکان کلهری،
دوره 15، شماره 3 - ( 5-1400 )
چکیده
زمینه و هدف: با توجه به اهمیت بالای تصاویر رادیولوژی برای شناسایی بیماران کووید ۱۹، ایجاد مدلی مبتنی بر یادگیری عمیق از اهداف اصلی این پژوهش است.
روش بررسی: از ۱۵۱۵۳ تصویر موجود از تصاویر قفسه سینه مربوط به افراد سالم، مبتلا به کووید ۱۹ و مبتلا به پنومونی در مخزن داده‌های سایت Kaggle به‌عنوان داده‌های این پژوهش استفاده شد. پیش پردازش داده‌ها شامل نرمال‌سازی تصاویر و تجمیع برچسب تصاویر و دسته‌بندی آنها به سه دسته‌ی آموزش، اعتبارسنجی و تست می‌شد. سپس با استفاده از زبان پایتون در کتابخانه‌ی fastAI مبتنی بر تکنیک کانولوشن (CNN) و براساس چهار معماری (ResNet ,VGG MobileNet ,AlexNet)، ۹ مدل از طریق روش یادگیری انتقالی برای تشخیص افراد سالم از افراد بیمار، آموزش داده شد. در نهایت، میزان عملکرد این مدل‌ها با شاخص‌هایی چون صحت، حساسیت و ویژگی، و F-Measure ارزیابی شد.
یافته‌ها: از بین ۹ مدل ایجاد شده، مدل ResNet۱۰۱ دارای بیشترین توان تشخیص موارد مبتلا به کرونا از سایر موارد با شاخص حساسیت ۰/۹۵/۲۹ بود. دیگر مدل‌های به کار گرفته شده، صحتی بیش از ۹۶% در تشخیص درست موارد مختلف تصاویر تست از خود نشان دادند. مدل ResNet۱۰۱ توانست صحتی معادل ۷۴/۹۸/۰ در تشخیص بین موارد سالم و مبتلا از خود نشان دهد.
نتیجه گیری: میزان صحت به دست آمده، نشان‌دهنده‌ی عملکرد دقیق مدل پیش بینی در تشخیص کووید ۱۹ می‌باشد. بنابراین با پیاده‌سازی یک برنامه کاربردی براساس مدل توسعه‌یافته می‌توان به پزشکان در تشخیص دقیق و زودهنگام موارد مبتلا یاری رساند.
ستاره طلایه، فرزاد فیروزی جهانتیغ، فاطمه بهمن،
دوره 17، شماره 5 - ( 9-1402 )
چکیده
زمینه و هدف: صنعت جهانگردی نقش بسیار مهمی در چرخه‌ی اقتصاد جامعه دارد. جهانگردی پزشکی به عنوان یکی از انواع صنایع جهانگردی، نتیجه‌ی مستقیمی در جهانی سازی مراقبت‌های بهداشتی دارد. بنابراین با تقویت زنجیره تأمین در حوزه مذکور می توان به ارزش افزوده‌ی بسیار بالایی دست یافت. از این رو پژوهش حاضر به تعیین رابطه‌ی بین تقاضای گردشگری پزشکی و مؤلفه‌های اقتصادی، پزشکی و رفاهی- خدماتی شهر زاهدان یک چارچوب مفهومی جهت پیش‌بینی تقاضای زنجیره تأمین توریسم پزشکی می‌پردازد.
روش بررسی: پژوهش حاضر یک پژوهش توصیفی-تحلیلی و از نوع کاربردی است. داده‌ها با استفاده از پرسش‌نامه و به روش میدانی و کتابخانه‌ای جمع‌آوری شده است. جامعه آماری مورد نظر، پزشکان متخصص شهر زاهدان بوده و برای انتخاب نمونه ۹۷ نفر با استفاده از جدول مورگان با روش نمونه‌گیری تصادفی ساده انتخاب شدند. روایی پرسش‌نامه توسط خبرگان تأیید شد و پایایی آن با ضریب آلفای کرونباخ به کمک نرم‌افزار SPSS بیشتر از ۰/۷ به دست آمد. تحلیل داده‌ها با استفاده از الگوریتم تانژانت سیگموئیدی شبکه عصبی، و معیارهای رگرسیون خطی و میانگین مربعات خطا انجام شده است. برای این منظور نرم‌افزار مورد استفاده برای بررسی همبستگی بین داده‌ها SPSS بوده و جهت طراحی شبکه عصبی از نرم‌افزار متلب استفاده شده است.
یافته‌ها: مبنای بهینه بودن جواب‌ها، معیارهای رگرسیون خطی و میانگین مربعات خطا بوده است. نتایج نشان داده است که مقادیر مربوط به رگرسیون ﻓﺎزﻫﺎی آﻣﻮزش، اﻋﺘﺒﺎرﺳﻨﺠﯽ و آزﻣﺎیﺶ بیشتر از ۰/۸بوده و ﺑﻪ ﺗﺮﺗﯿﺐ ۰/۹۰۳۳، ۰/۸۸۱۸ و ۰/۹۹۸۵ ﺑﻪ دﺳﺖ آﻣﺪه است. همچنین ﻣﻘادیر ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ به ترتیب ۰/۵۶۵۷، ۰/۵۵۵۸ و ۰/۲۰۷۲۶ بوده است.
نتیجهگیری: طبق نتایج به دست آمده از مدل ارایه شده، شبکه عصبی در ﻫﺮ ﺳﻪ ﻧﻤﻮﻧﻪ ﺗﻌﻠﻴﻢ، آزﻣﺎﻳﺶ و ﺗـﺼﺪﻳﻖ دارای دقت بالایی بوده و در پیش‌بینی تقاضای زنجیره تأمین توریسم پزشکی ﺻﺤﺖ و ﺳﺮﻋﺖ ﺑﺎﻻیی دارند. همچنین در مدت یک‌ساله‌ی انجام پژوهش وﺿﻌﯿﺖ تقاضای توریسم پزشکی ثابت بوده و پیش‌بینی می‌شود در آینده توریسم پزشکی در شهر زاهدان کاهش یابد. بنابراین به مسئولان پیشنهاد می‌شود به ﺑﺮﻧﺎﻣﻪ ریﺰی و آیﻨﺪه ﭘﮋوﻫﯽ جهت ﺑﻬﺒﻮد توریسم پزشکی بپردازند.
