۵ نتیجه برای یادگیری ماشین
روح‌اله کلهر، اصغر مرتضی‌قلی، فاطمه ناجی، سعید شهسواری، محمد زکریا کیایی،
دوره ۷۶، شماره ۱۲ - ( ۱۲-۱۳۹۷ )
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 ۸,۲ (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.
امیر رضا نادری یاقوتی، احمد شالباف، آرش مقصودی،
دوره ۷۹، شماره ۱ - ( ۱-۱۴۰۰ )
چکیده
زمینه و هدف: تشخیص دقیق و به‌هنگام بیماری کبدچرب غیرالکلی که عامل اصلی بیماری‌های مزمن کبد است، بسیار مهم می‌باشد. سونوگرافی از کبد متداول‌ترین روش تشخیص میزان کبدچرب می‌باشد. اما به دلیل کیفیت پایین تصاویر اولتراسوند، نیاز به روش‌های هوش مصنوعی برای تشخیص دقیق میزان چربی کبدی، ضروری می‌باشد. هدف این مقاله توسعه یک مدل یادگیری ماشین برای ارزیابی سطح چربی کبد براساس تصاویر التراسوند کبد می‌باشد.
روش بررسی: در این مطالعه تحلیلی که از اردیبهشت ۱۳۹۹ تا آذر ۱۳۹۹ در تهران به طول انجامیده است، از تصاویر اولتراسوند ۵۵ فرد مبتلا به چاقی مفرط که قصد جراحی لاپاروسکوپی داشته‌اند، استفاده شده و از نتیجه بافت‌شناسی نمونه برداشتی از کبد در آزمایشگاه به‌عنوان مرجع میزان چربی کبد استفاده شده است. ابتدا ۸۸ ویژگی مبتنی‌بر بافت با استفاده از ماتریس هم‌رخداد سطح خاکستری از تصاویر استخراج شده است. در مرحله‌ی بعد با استفاده از روش حداقل افزونگی و حداکثر ارتباط ۲۰ ویژگی برتر از میان ۸۸ ویژگی انتخاب شده و به ورودی طبقه بند اعمال شده است. در انتها با استفاده از سه طبقه‌بند آنالیز افتراقی خطی، ماشین بردار پشتیبان و آدابوست، تصاویر به چهار گروه براساس میزان چربی طبقه‌بندی شده‌اند.
یافته‌ها: صحت به‌دست آمده در این مدل، برای طبقه‌بند آدابوست برابر با ۷۲/۹۲% شد. در‌حالی‌که صحت به‌دست آمده برای هر دو طبقه‌بند ماشین بردار پشتیبان و آنالیز افتراقی خطی به‌ترتیب برابر با ۸۸/۸۷% و ۷۶/۷۵% شده‌‌است.
نتیجه‌گیری: رویکرد پیشنهادی مبتنی‌بر ویژگی‌های بافت با استفاده از طبقه‌بند آدابوست از روی تصاویر التراسوند، میزان چربی کبد را با دقت بالا و به‌صورت اتوماتیک تشخیص می‌دهد و می‌تواند در تشخیص نهایی به پزشکان و رادیولوژیست‌ها کمک شایانی کند.
حسن محمدی کیانی، احمد شالباف، آرش مقصودی،
دوره ۷۹، شماره ۲ - ( ۲-۱۴۰۰ )
چکیده
زمینه و هدف: تشخیص زودهنگام بیماران در مراحل اولیه آلزایمر که به‌عنوان اختلال شناختی خفیف نامیده می‌شود یک موضوع مهم در درمان و یا به تعویق انداختن ابتلا به آلزایمر می‌باشد. در این مطالعه قصد داریم از روی دادگان تصویربرداری عملکردی تشدید مغناطیسی (fMRI) در حال استراحت، افراد دچار بیماری اختلال شناختی خفیف را از افراد سالم تفکیک کنیم.
روش بررسی: در این پژوهش که از اردیبهشت تا آذر ۱۳۹۹ در تهران انجام شد، پس از انجام پیش‌پردازش دادگان fMRI، با استفاده از اطلس برچسب‌گذاری خودکار آناتومیکی، ۱۱۶ ناحیه مغزی تفکیک شدند. سپس، ماتریس ارتباط عملکردی این نواحی با استفاده از روش‌های همبستگی پیرسون و اطلاعات متقابل محاسبه شدند. در ادامه، شبکه گراف مغزی تشکیل شده و یال‌های معنادار و قوی حفظ شدند. در انتها ۱۱ ویژگی سراسری از شبکه گراف استخراج شده و پس از انجام آنالیزهای آماری و انتخاب ویژگی‌های موثر، طبقه‌بندی ۱۴ فرد سالم و ۱۱ بیمار دارای اختلال شناختی خفیف با استفاده از طبقه‌بند ماشین‌بردار پشتیبان انجام شد.
یافته‌ها: محاسبات انجام شده نشان داد که روش اطلاعات متقابل و پنج ویژگی سراسری از شبکه گراف با نام‌های میانگین قدرت، دوری از مرکز، بهره‌وری محلی، ضریب خوشه‌بندی و انتقال‌پذیری با استفاده از طبقه‌بند ماشین‌بردار پشتیبان دارای بهترین جواب با صحت ۸۴%، حساسیت ۸۶% و اختصاصیت ۹۳% می‌باشد.
نتیجه‌گیری: ترکیب ویژگی‌های گراف مغزی و ارتباطات عملکردی، براساس تجزیه و تحلیل دادگان fMRI می‌تواند افراد با اختلال‌شناختی خفیف را با دقت بالایی تفکیک نماید.
هانیه علی‌میری ده‌باغی، کریم خوش‌گرد، حمید شرینی، سمیرا جعفری خیرآبادی، فرهاد نعلینی،
دوره ۸۱، شماره ۵ - ( ۵-۱۴۰۲ )
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 ۱۴۰۱ تا خرداد ۱۴۰۲ در دانشگاه علوم پزشکی کرمانشاه انجام شده است. داده‌های مورداستفاده در این تحقیق از پرونده‌های ۳۵۰ 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 F۱ و طبقه‌بندی نادرست استفاده شد.
یافته‌ها: در مدل AdaBoost مقدار دقت در تصاویر رادیوگرافی و CT به‌ترتیب ۹۹/۱۷% و /۹۸/۲۷% محاسبه شد. مقدار AUC برای همین مدل در تصاویر رادیوگرافی برابر ۱۰۰% و در تصاویر سی‌تی‌اسکن برابر ۹۶/۹۶% 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.
آمنه جوانمرد، علیرضا صالحان،
دوره ۸۱، شماره ۱۰ - ( ۱۰-۱۴۰۲ )
چکیده
زمینه و هدف: در سال ۱۹۶۰، ویروس‌های کرونا کشف شدند. موجودات زنده درشت‌پیکر از خانواده ویروس‌های پاکت‌دار که RNA تک‌رشته‌ای با منشاء جانوری دارند. ویروس‌های کرونا در انسان می‌تواند به بیماری تنفسی خفیف یا شدید تنفسی تبدیل شوند. در سال ۲۰۲۰، سازمان بهداشت جهانی ویروس کووید-۱۹ را یک بیماری همه‌گیر جهانی اعلام کرد. هدف این مطالعه استفاده از ضریب همبستگی جاکارد جهت تعیین شباهت الگوی رفتار بیماری کووید-۱۹ در فصول مختلف سال است.
روش بررسی: در این بررسی از سیستم‌های یادگیری ماشین و معیار تشابه در تعیین الگوی رفتار بیماری کووید-۱۹ در فصل‌های سال استفاده شد. مکان انجام مطالعه، بیمارستان موسی بن جعفر (ع) مشهد و زمان دقیق انجام مطالعه از اردیبهشت ۱۳۹۹ لغایت شهریور ۱۴۰۱ می‌باشد. علایم بیماران مبتلا با مجموعه داده تدوین‌شده مقایسه و تشابه بیماران در ماتریس شباهت تهیه و ضریب همبستگی جاکارد روی داده‌ها انجام شد. نهایتاً تحلیل سویه‌ها از ابتدای پیدایش تا آخرین سویه بررسی شد.
یافته‌ها: شاخص‌های عملکرد الگوریتم در روش تشابه جاکارد، معیار یادآوری با مقدار ۹۴/۰، معیار دقت با مقدار ۱، معیار امتیاز F۱ با مقدار ۸۶/۰ و معیار صحت با مقدار ۷۶/۰ را نشان داد. مهمترین فاکتورهای مؤثر در بررسی، گلبول‌های سفید خون، پلاکت، RT PCR، CT SCAN، تنگی تنفس، تب، SPO۲ و تعداد تنفس می‌باشند.
نتیجه‌گیری: در این مطالعه رفتار ویروس کووید-۱۹ با استفاده از الگوریتم‌های یادگیری ماشین با احتساب موقعیت جغرافیایی و فصلی در بیماران بررسی شد و یک الگوی واضح از ارتباط فصل‌ها در گسترش کووید-۱۹ مشخص گردید، به‌طوری‌که در هر فصل علایم مشخصی مشاهده شده است که با سویه همان فصل مطابقت دارد.
