استفاده از شبكه عصبي مصنوعي پرسپترون چند لايه در تشخيص آپانديسيت حاد

The Use of Multilayer Perceptron Artificial Neural Network in Diagnosis of Acute Appendicitis

مقدمه: آپانديسيت ‌حاد، شايع‌ترين علت مراجعه بيماران با دردهاي شكمي به اورژانس بيمارستان‌ها و آپاندكتومي، شايع‌ترين عمل جراحي اورژانس مي‌باشد. با وجود پيشرفت‌هاي چشمگير در تشخيص اين بيماري، آپاندكتومي منفي همچنان ميزان قابل توجهي را به خود اختصاص داده است. در پژوهش حاضر، شبكه عصبي ‌مصنوعي جهت كمك به تشخيص آپانديسيت ‌حاد طراحي و ارزيابي گرديد. روش بررسي: اين مطالعه به صورت توصيفي انجام شد و در ابتدا ويژگي‌هاي موثر تشخيصي، با مطالعه متون تخصصي و منابع مربوط جمع‌آوري شد. سپس در قالب چك‌ليست دسته‌بندي و توسط متخصصان جراحي عمومي ارزيابي و اولويت‌بندي گرديد. حجم نمونه تعيين‌ شده جهت آموزش و ارزيابي عملكرد شبكه عصبي، 181 مورد انتخاب شد. پايگاه داده با استفاده از پرونده بيماراني كه طي سال 1394 در بيمارستان شهيد مدرس تهران آپاندكتومي شده‌ بودند، جمع‌آوري گرديد. سپس معماري‌هاي مختلف از شبكه ‌عصبي ‌مصنوعي پرسپترون چندلايه MLP (Multilayer perceptron) جهت تعيين بهينه‌ترين عملكرد تشخيصي در نرم‌افزار MATLAB پياده‌سازي و مقايسه گرديد. براي ارزيابي شبكه نيز شاخص‌هاي مشخصه، حساسيت و صحت مورد استفاده قرار گرفت. يافته‌ها: بر اساس مقايسه بهينه‌ترين خروجي MLP با نتايج پاتولوژي، حساسيت، مشخصه و صحت به ترتيب 8/68، 0/82 و 5/78 درصد گزارش گرديد. بر اساس استانداردهاي موجود و طبق نظر متخصصان جراحي عمومي و مقايسه با نتايج پاتولوژي، يافته‌ها بيانگر بهبود صحت تشخيصي در مورد آپانديسيت حاد بود. نتيجه‌گيري: MLP طراحي ‌شده مي‌تواند عملكرد فرد متخصص را با دقت قابل قبولي مدل كند. استفاده از شبكه مذكور در سيستم‌هاي تصميم‌يار‌ باليني تشخيص آپانديسيت حاد، با هدف كاهش ارجاعات منفي به مراكز درماني، تشخيص به موقع، جلوگيري از آپاندكتومي منفي، كاهش مدت بستري بيمار و هزينه‌هاي درماني مفيد خواهد بود.

Introduction: Acute appendicitis is the most common cause of admittance of patients with abdominal pain to hospital and appendectomy is the most commonly performed emergency surgery. Despite significant advances in the field of diagnosis, a significant number of negative appendectomies are reported. In this study, the design and evaluation of artificial neural networks to help diagnose acute appendicitis was investigated. Methods: In this descriptive study, variables affecting the diagnosis were identified through literature review. Then, these variables were categorized in the form of a checklist, and evaluated and prioritized by general surgery specialists. The sample size was determined as 181 cases to train and evaluate the performance of neural networks. The database was created using records of patients who had undergone appendectomy during 2015 in Modarres Hospital, Tehran, Iran. Then, different architectures of artificial multilayer perceptron (MLP) neural network were implemented and compared in MATLAB environment to determine the optimal diagnostic performance. Parameters such as specificity, sensitivity, and accuracy were used for network assessment. Results: Comparison of the optimal output of the MLP with pathological results showed that the sensitivity, specificity, and accuracy of the diagnosis network were 68.8%, 82%, and 78.5%, respectively. Based on the existing standards and the general surgeons’ opinions, the MLP network improved diagnostic accuracy for acute appendicitis. Conclusion: The designed MLP can model the performance of an expert with acceptable accuracy. The use of this MLP in clinical decision support systems can be useful in the reduction of negative references to medical centers, timely diagnosis, prevention of negative appendectomy, reduction of the duration of hospitalization, and reduction of medical expenses.