دوره 82، شماره 10 - ( دی 1403 )
جلد 82 شماره 10 صفحات 774-766 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zamanian H, Shalbaf A. Diagnosing the severity of non-alcoholic fatty liver disease based on explainable artificial intelligence. Tehran Univ Med J 2025; 82 (10) :766-774
URL: http://tumj.tums.ac.ir/article-1-13376-fa.html
URL: http://tumj.tums.ac.ir/article-1-13376-fa.html
زمانیان حامد، شالباف احمد. تشخیص شدت بیماری کبد چرب غیرالکلی بر مبنای هوش مصنوعی تفسیرپذیر. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1403; 82 (10) :766-774
حامد زمانیان1 
، احمد شالباف*2
، احمد شالباف*2
1- گروه فیزیک و مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.
2- گروه فیزیک و مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران. ،shalbaf@sbmu.ac.ir
2- گروه فیزیک و مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران. ،
چکیده: (1042 مشاهده)
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.
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.
نوع مطالعه: مقاله اصیل |
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
