8 نتیجه برای یادگیری ماشین
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.
امیر رضا نادری یاقوتی، احمد شالباف، آرش مقصودی،
دوره 79، شماره 1 - ( 1-1400 )
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 1399 تا آذر 1399 در تهران به طول انجامیده است، از تصاویر اولتراسوند 55 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 88 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 20 ویژگی برتر از میان 88 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 72/92% شد. درحالیکه صحت بهدست آمده برای هر دو طبقهبند ماشین بردار پشتیبان و آنالیز افتراقی خطی بهترتیب برابر با 88/87% و 76/75% 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 79، شماره 2 - ( 2-1400 )
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 1399 در تهران انجام شد، پس از انجام پیشپردازش دادگان fMRI، با استفاده از اطلس برچسبگذاری خودکار آناتومیکی، 116 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 11 ویژگی سراسری از شبکه گراف استخراج شده و پس از انجام آنالیزهای آماری و انتخاب ویژگیهای موثر، طبقهبندی 14 فرد سالم و 11 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 84%، حساسیت 86% و اختصاصیت 93% 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 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.
آمنه جوانمرد، علیرضا صالحان،
دوره 81، شماره 10 - ( 10-1402 )
چکیده
زمینه و هدف: در سال 1960، 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 2020، سازمان بهداشت جهانی ویروس کووید-19 را یک بیماری همهگیر جهانی اعلام کرد. هدف این مطالعه استفاده از ضریب همبستگی جاکارد جهت تعیین شباهت الگوی رفتار بیماری کووید-19 در فصول مختلف سال است.
روش بررسی: در این بررسی از سیستمهای یادگیری ماشین و معیار تشابه در تعیین الگوی رفتار بیماری کووید-19 در فصلهای سال استفاده شد. مکان انجام مطالعه، بیمارستان موسی بن جعفر (ع) مشهد و زمان دقیق انجام مطالعه از اردیبهشت 1399 لغایت شهریور 1401 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 94/0، معیار دقت با مقدار 1، معیار امتیاز F1 با مقدار 86/0 و معیار صحت با مقدار 76/0 را نشان داد. مهمترین فاکتورهای مؤثر در بررسی، گلبولهای سفید خون، پلاکت، RT PCR، CT SCAN، تنگی تنفس، تب، SPO2 و تعداد تنفس میباشند.
نتیجهگیری: در این مطالعه رفتار ویروس کووید-19 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-19 مشخص گردید، بهطوریکه در هر فصل علایم مشخصی مشاهده شده است که با سویه همان فصل مطابقت دارد.
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.
حسین اخوان، فاطمه رضائی،
دوره 83، شماره 3 - ( 3-1404 )
چکیده
زمینه و هدف: الکتروکاردیوگرام روشی غیرتهاجمی برای دریافت سیگنالهای قلب است. با وجود پیشرفت در روشهای عکسبرداری، الکتروکاردیوگرام هنوز نقش مهمی در تشخیص بیماریهای قلبی ایفا میکند. تحلیل سیگنالهای الکتروکاردیوگرام نقش مهمی در شناسایی زودهنگام بیماریهای قلبی نظیر آریتمیها و سکتههای قلبی دارد. امروزه با پیشرفت علم و فناوری، روشهای رایانهای بیش از پیش مورد توجه پزشکان قرار گرفتهاند. در این مطالعه، از روشهای یادگیری ماشین برای دستهبندی ضربانهای قلبی طبیعی و غیرطبیعی استفاده شده است.
روش بررسی: دادههای مورد بررسی از مجموعه دادهای تحت عنوان Heartbeat که در سایت کگل منتشر شده، استخراج شدهاند. این مجموعه شامل نمونههایی از سیگنالهای صوتی میباشد که به دو دسته سالم و ناسالم تقسیم میشوند. در ابتدا، دادهها مورد پیشپردازش قرار گرفتند و نرمالسازی شدند تا برای ورود به مدل آماده شوند. سپس، ویژگیهای زمانی و فرکانسی از سیگنالها استخراج گردیده است. در ادامه، یک مدل ترکیبی شامل لایههای کانولوشنی یکبعدی طراحی و آموزش داده شده است. همچنین، با بهرهگیری از روش توقف زودهنگام، از بیشبرازش جلوگیری شد و پایداری مدل بهبود یافت.
یافتهها: در این پژوهش نشان داده شد که با بهرهگیری از یادگیری عمیق به ویژه استفاده از CNN و Conv 1D به دقت 99% و زیان 0350/0 برای دادههای تست در تشخیص ضربانهای قلب طبیعی و غیرطبیعی میتوان رسید. این مدل توانایی تحلیل ساختارهای پیچیده و دینامیک زمانی سیگنالهای ECG را داشته است و قادر است الگوهای مرتبط با اختلالات قلبی را تشخیص دهد.
نتیجهگیری: امروزه الکتروکاردیوگرام بیش از پیش مورد توجه قرار گرفته است. انتخاب مناسب مدل، استانداردسازی دادهها و گستره کیفی دادهها از عوامل دقت بالا در این پژوهش است. این پژوهش میتواند گامی موثر در توسعه سامانههای هوشمند تشخیص اختلالات قلبی باشد و در کاربردهای پزشکی، بهویژه در حوزه پایش مستمر بیماران، مورد استفاده قرار گیرد.
