2 نتیجه برای یادگیری ماشین.
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.
