6 نتیجه برای هوش مصنوعی
حسین قیومیزاده، سوگل معصومزاده، شیرین نور، سوگل کیان ارثی، زهرا عیوضیزاده، فریناز جنیدی شریعتزاده، جواد حدادنیا، فرنوش خمسه، نسرین احمدی نژاد،
دوره 74، شماره 6 - ( 6-1395 )
چکیده
دمای بدن انسان میتواند شاخصی طبیعی برای تشخیص برخی از بیماریها باشد. در دهههای اخیر تحقیقات وسیعی برای افزایش استفاده از دوربینهای حرارتی و به دست آوردن ارتباط نزدیک بین فیزیولوژی حرارتی و دمای پوست انجام شده است. تصویربرداری حرارتی (ترموگرافی) با استفاده از روش مادون قرمز شیوهای سریع، غیرتهاجمی، بدون تماس و انعطافپذیر برای نظارت بر درجه حرارت بدن انسان میباشد. در این مقاله با بررسی مطالعات انجام شده در دو بازه زمانی پیش و پس از سال 2000 و با تأکید بیشتر بر روی مقالات جدید، در مورد نحوه انجام و ارزیابی تصویربرداری حرارتی، ابعاد مختلف انجام تصویربرداری وتکنولوژیهای موجود در این عرصه و معایب این روش، در تشخیص سرطان پستان، توضیحاتی ارایه خواهد شد. تصویربرداری حرارتی در دو حوزه پزشکی و مهندسی پزشکی در تشخیص سرطان پستان مورد استفاده پژوهشگران قرار میگیرد. ترموگرافی، دادههایی پیرامون ساختارهای مورفولوژی پستان فراهم نمیکند، اما دادههای عملکردی دما و شرایط عروق بافت پستان را ارایه میدهد. گمان میرود این تغییرات عملکردی پیش از آغاز تغییرات ساختاری که در نتیجه بیماری و یا سرطان پدید میآیند، ایجاد شوند. در حال حاضر تصویربرداری حرارتی، روشی در جهت غربالگری و یا روش تشخیصی در مراکز معتبر علمی ثابت نگردیده است. اما مراکز مختلفی وجود دارد که با کمک سیستمهای نرمافزاریِ طراحی شده در این زمینه جهت معاینه و بررسی استفاده میکنند. روش تصویربرداری حرارتی موثر است در جهت غربالگری سرطان پستان (با توجه به هزینه پایین و عدم مضربودن) که این تاثیر با ترکیب روشهای دیگر همچون ماموگرافی افزایش خواهد یافت، اما در جهت تشخیص نوع توده (خوشخیمی و بدخیمی) و بیماریهای مرتبط با بافت پستان هنوز از جایگاه چشمگیری برخوردار نمیباشد.
روحاله کلهر، اصغر مرتضیقلی، فاطمه ناجی، سعید شهسواری، محمد زکریا کیایی،
دوره 76، شماره 12 - ( 12-1397 )
چکیده
زمینه و هدف: بیماری دیابت عوارض متعددی دارد، تشخیص دیر هنگام دیابت در افراد منجر به گسترش عوارض بیماری میشود. مطالعه حاضر با هدف بررسی امکان پیشبینی دیابت با استفاده از فنون دادهکاوی انجام شد.
روش بررسی: این پژوهش از نوع توصیفی- تحلیلی بود که بهصورت مقطعی انجام شد. جامعه پژوهش شامل افراد مراجعهکننده به مراکز بهداشتی شهرستان محمدیه در استان قزوین جهت انجام غربالگری دیابت بودند. دادههای مورد مطالعه مربوط به فروردین تا خرداد ۱۳۹۴ بود. دادهها در نهایت با استفاده از سه روش نزدیکترین همسایگی (k-nearest neighbors algorithm, k-NN)، درخت تصمیمگیری (Decision tree, DT) و ماشینهای بردار پشتیبان (Support vector machine, SVM) تحلیل و مورد مقایسه قرار گرفتند. جهت تحلیل دادهها از MATLAB® software, version 8.2 (Mathworks Inc., Natick, MA, USA) استفاده شد.
یافتهها: در تمامی معیارها، بهترین نتایج توسط درخت تصمیمگیری با صحت (۰/۹۶) بهدست آمد. پس از آن روشهای نزدیکترین همسایگی با صحت (۰/۹۶) و ماشینهای بردار پشتیبان با صحت (۰/۹۴) قرار داشتند.
نتیجهگیری: براساس نتایج ارایه شده، درخت تصمیمگیری بهترین نتایج را در کلاسبندی نمونههای تست نشان داد. این مدل میتواند بهعنوان مدلی مناسب در پیشبینی دیابت با استفاده از دادههای ریسک فاکتور توصیه شود.
هانیه علیمیری دهباغی، کریم خوشگرد، حمید شرینی، سمیرا جعفری خیرآبادی، فرهاد نعلینی،
دوره 81، شماره 5 - ( 5-1402 )
چکیده
زمینه و هدف: استفاده از الگوریتمهای هوش مصنوعی برای کمک به تشخیص صحیح در تصاویر پزشکی یکی از مهمترین کاربردهای این فناوری در حوزه تصویربرداری است. در این پژوهش امکان جایگزینی رادیوگرافی ساده قفسه سینه بهمنظور تشخیص پنوموتوراکس در مواردی که بهطور معمول CT درخواست میگردد، با هدف کاهش دوز دریافتی بیماران، موردمطالعه قرار گرفت.
روش بررسی: مطالعه حاضر یک مطالعه تحلیلی بوده و در بازه زمانی آذر 1401 تا خرداد 1402 در دانشگاه علوم پزشکی کرمانشاه انجام شده است. دادههای مورداستفاده در این تحقیق از پروندههای 350 فرد مشکوک به پنوموتوراکس استخراج شده است. تصاویر جمعآوری شده در نرمافزار MATLAB تحت پیشپردازش قرار گرفتند. سپس سه الگوریتم یادگیری ماشین، شامل رگرسیون لجستیک شبکه الاستیک (LENR)، رگرسیون لجستیک لاسو (LLR) و بوستینگ تطبیقی (AdaBoost) روی دادهها بهکار گرفته شد. برای ارزیابی عملکرد این مدلها از معیارهای دقت، صحت، حساسیت، ویژگی، سطح زیر منحنی مشخصه عملکرد سیستم، امتیاز F1 و طبقهبندی نادرست استفاده شد.
یافتهها: در مدل AdaBoost مقدار دقت در تصاویر رادیوگرافی و CT بهترتیب 99/17% و /98/27% محاسبه شد. مقدار AUC برای همین مدل در تصاویر رادیوگرافی برابر 100% و در تصاویر سیتیاسکن برابر 96/96% بهدست آمد.
نتیجهگیری: باتوجهبه معیارهای موردارزیابی در مطالعه، دو مدل LLR و AdaBoost دارای عملکرد مشابهی در تصاویر رادیوگرافی و CT از نظر تشخیص افراد با و بدونپنوموتوراکس هستند، بهگونهای که میتوان این عارضه را با دقت بالایی با استفاده از تکنیکهای یادگیری ماشین در تصاویر رادیوگرافی نیز تشخیص داد و بهاینترتیب از دریافت دوز پرتویی بالا ناشی از انجام CT در بیمار اجتناب نمود.
محسن سادات شهابی، احمد شالباف،
دوره 82، شماره 2 - ( 2-1403 )
چکیده
زمینه و هدف: اختلال افسردگی عمده یکی از شایعترین و ناتوانکنندهترین اختلالات روانی میباشد. باتوجه به کاهش کیفیت زندگی این بیماران و ماهیت پیشرونده این بیماریها، تشخیص به هنگام و درمان موثر این بیماری روانی ضروری میباشد. در این پژوهش از سیگنالهای مغزی افراد برای تشخیص دقیق ابتلا به اختلال افسردگی عمده با استفاده از روشهای هوش مصنوعی استفاده میشود.
روش بررسی: در این مطالعه تحلیلی که از شهریور 1402 تا اسفند 1402 در دانشکده پزشکی دانشگاه علوم پزشکی شهیدبهشتی انجام شده است، وجود اختلال افسردگی عمده در 58 مراجعهکننده به کلینیک روانپزشکی با استفاده از مصاحبه حضوری با روانپزشک متخصص بررسی شد و 30 نفر با اختلال افسردگی عمده تشخیص داده شدند. سیگنال مغزی الکتروانسفالوگرام از این افراد ثبت شده و پس از پیشپردازش و تمیز شدن سیگنال بهعنوان ورودی به مدلهای هوش مصنوعی داده شد. مدلهای هوش مصنوعی EEGNet، ShallowConvNet و DeepConvNet که مبتنی بر مدلهای یادگیری عمیق کانولوشنی توسعه یافتند، برای دستهبندی سیگنالهای مغزی افراد سالم و افسرده استفاده شدند. دقت دستهبندی این مدلها روی داده تست جداگانه گزارش شده است.
یافتهها: دقت تفکیک سیگنال مغزی افراد سالم و افسرده توسط مدلهای EEGNet، ShallowConvNet و DeepConvNet بهترتیب برابر 3/92%، 2/83% و 2/92% میباشد. همچنین مدل EEGNet با حساسیت 9/98% و ویژگی 1/79% بهترین عملکرد را در میان مدلهای بررسی شده داشته است.
نتیجهگیری: دستهبندی افراد افسرده و سالم از روی سیگنال EEG با دقت بالا و بهصورت تعمیمپذیر امکانپذیر است و مدلهای هوش مصنوعی پیشنهاد شده میتوانند در کلینیکهای روانپزشکی بهعنوان ابزارهای کمک تشخیصی مورد استفاده قرار گیرند.
حامد زمانیان، احمد شالباف،
دوره 82، شماره 10 - ( 10-1403 )
چکیده
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±23/69% 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.
زکیه واحدیان اردکانی، مهران زارعی قنواتی، حمید ریاضی اصفهانی، سید مهدی طباطبائی، محمد رضا مهرابی بهار، صادق غفاریان، احمد معصومی،
دوره 83، شماره 1 - ( 1-1404 )
چکیده
هوش مصنوعی بهعنوان ابزاری تحولآفرین در حوزه مراقبتهای بهداشتی شناخته شده است و چشمپزشکی به دلیل وجود تصویربرداریهای متنوع یکی از پیشروترین رشتهها در بهرهگیری از این فناوری محسوب میشود. در میان بیماریهای چشمی، گلوکوم بهدلیل ماهیت مزمن و پیشرونده و نیز نیاز به ارزیابیهای ساختاری و عملکردی پیچیده، بستری مناسب برای توسعه و بهکارگیری ابزارهای مبتنی بر هوش مصنوعی فراهم کرده است. در این مقاله مروری، جدیدترین کاربردهای هوش مصنوعی در حوزه گلوکوم با تمرکز بر جنبههای تشخیص، پایش روند پیشرفت بیماری، و کمک به تصمیمگیریهای بالینی بررسی شده است. الگوریتمهای مبتنی بر یادگیری ماشین و یادگیری عمیق توانستهاند با دقت بالایی دادههای حاصل از تصویربرداری فوندوس، Optical Coherence و آزمونهای میدان بینایی را تحلیل کرده و تغییرات مرتبط با گلوکوم را تشخیص دهند. این فناوریها علاوهبر افزایش دقت تشخیص، میتوانند ابزارهایی موثر برای غربالگری در مقیاس وسیع، بهویژه در مناطق با دسترسی محدود به متخصصان چشمپزشکی باشند. همچنین، استفاده از مدلهای هوش مصنوعی در ردیابی تغییرات تدریجی ساختاری یا عملکردی چشم، امکان پیشبینی خطر پیشرفت بیماری و شخصیسازی برنامه درمانی را فراهم میسازد. با وجود این پیشرفتها، چالشهایی همچون عدمتعمیمپذیری مدلها به جمعیتها و دستگاههای مختلف، کمبود دادههای با کیفیت و قابلاعتماد و عدمشفافیت در فرآیند تصمیمگیری الگوریتمها (پدیده جعبه سیاه) همچنان مانع از پذیرش گسترده این فناوری در عمل بالینی شدهاند. این مقاله با مرور انتقادی بر دستاوردها و محدودیتهای فعلی، مسیرهایی برای تحقیقات آینده و اجرای موثر و اخلاقمدار هوش مصنوعی در مراقبت از بیماران مبتلابه گلوکوم پیشنهاد میدهد.
