كليدواژه :
تشخيص بيماري , بيماري كبد چرب غير الكلي , پارامترهاي باليني , شبكه‌هاي عصبي مصنوعي , استخراج قانون
چكيده فارسي :
بيماري كبد چرب غير الكلي ( Non-alcoholic fatty liver disease:NAFLD) يكي از شايع‌ترين بيماري‌هاي كبدي است كه شدت آن داراي سطوح مختلفي مي‌باشد. اخيراً، دستگاه فيبرواسكن به‌عنوان يك روش غير‌تهاجمي براي اندازه‌گيري ميزان ارتجاع‌پذيري كبد و درنتيجه چرب بودن آن مورد استفاده قرار مي‌گيرد. هدف از اين پژوهش، ارايه يك روش كم هزينه و ساده براي تشخيص اين بيماري از طريق علايم باليني مي‌باشد.
مواد و روش‌ها: در اين تحقيق از يك مجموعه داده شامل 726 بيمار استفاده شد كه هر يك داراي عارضه كبد چرب با شدت مختلفي بودند. براي هر بيمار، شدت بيماري توسط دستگاه فيبرواسكن اندازه‌گيري و آزمايشات باليني و سنوگرافي نيز انجام گرفت. سپس به‌منظور تعيين رابطه بين اطلاعات به‌دست آمده از بيماران و سطوح بيماري از شبكه‌هاي عصبي مصنوعي استفاده شده است. در نهايت، به كمك تكنيك‌هاي هوش مصنوعي روشي براي استخراج قانون از شبكه‌هاي عصبي مصنوعي براي نمايش ارتباط بين داده‌ها استفاده شده است.
نتايج: براساس نتايج به‌دست آمده از دستگاه فيبرواسكن، از بين 726 بيمار موجود، 5 مورد در كلاس F4، 23 مورد در كلاس F3، 132 مورد در كلاس F2، 151 مورد در كلاس F1 و 415 مورد در كلاس F0 (افراد سالم) قرار مي‌گيرند. طبق روش پيشنهادي، دقت در شناسايي نمونه‌هاي هر كلاس به‌ترتيب: 100% براي كلاس F4، 99/31% براي كلاس F3، 93/94% براي كلاس F2 و 58/80% براي كلاس F1 مي‌باشد. بر اين اساس اين روش مي‌تواند نمونه‌هاي دسته‌هاي F4 و F3 را به‌صورت ايده‌آل و نمونه‌هاي دسته‌هاي F2 و F1 را با دقت خوبي شناسايي كند.
نتيجه‌گيري: نتايج حاصل از اين تحقيق نشان مي‌دهد كه روش پيشنهادي قادر است علاوه‌بر صرف هزينه كمتر و قابليت دسترسي آسان‌تر در شناسايي بيماري كبد چرب غير الكلي (NAFLD)، نحوه تشخيص بيماري و شرايط هر سطح از بيماري را در قالب مجموعه قوانيني براي تشخيص بيماري (بدون ادامه نياز به شبكه عصبي) براي پزشكان تعيين نمايد.
چكيده لاتين :
Non-Alcoholic Fatty Liver Disease (NAFLD) is one of the most prevalent liver diseases with several levels of severity. Recently, the FibroScan device has been used as a non-invasive method for measurement of elasticity of the liver and consequently its fattiness. The current study aimed at providing a low-cost and simple method for diagnosing of the disease through the clinical symptoms.
Methods: A collection of data obtained from 726 patients was used for conducting this study with each patient having a fatty liver disease with different levels of intensity. The severity of the disease for each patient was measured by FibroScan device along with medical tests and ultrasound monitoring. Then, the artificial neural networks were used for determination of the relationship between the data obtained from the patients and the intensity levels. Finally, by the aid of artificial intelligence techniques, a method is employed for extracting rules from artificial neural networks for representing the relationship between the data.
Results: According to the results obtained from FibroScan device, among the 726 patients, 5 were located in F4 class, 23 in F3 class, 132 in F2class, 151 in F1, and 415 in F0 Class (Healthy people). According to the proposed method, the accuracy of diagnosis for various classes is as follows: 100% for F4 class, 99.31% for F3 class, 93.94% for F2 class, and 80.58% for F1 Class. Accordingly, this method can identify the samples in F4 and F3 classes with an ideal accuracy and the samples in F1 and F2 classes with a good accuracy.
Conclusion: Results in this research indicate that the proposed method can be used for diagnosing NAFLD and identifying its intensity levels with a lower costs and easier accessibility. It extracts the required rules for diagnosing the dieses that can be used by the physicians in their diagnosis.
