پیش‌بینی شدت فیبروز کبدی با استفاده از مدل‌های یادگیری ماشین

چکیده

مقدمه: برای تشخیص کبد چرب غیرالکلی معمولاً از آزمایش فیبرواسکن استفاده می‌شود که هزینه بالایی دارد. همچنین، آزمایشات کم‌هزینه مانند اندازه‌گیری آنزپ

م‌های کبدی یا آزمایشات هماتولوژی نمی‌توانند کبد چرب را به‌طور قطعی تشخیص دهند و فقط به‌عنوان ابزارهای اولیه در تشخیص کبد چرب به‌کار می‌روند.

مواد و روش‌‌‌ها: در این پژوهش، یک مدل یادگیری ماشین برای تشخیص کبد چرب با استفاده از اطلاعات دموگرافیک، آنزیم‌های کبدی و آزمایشات هماتولوژی ارایه گردید. برای این کار، داده‌ها از پرونده 1078 مراجعه‌کننده به بیمارستان امام رضا (ع) سال‌های 1397 تا 1402 استخراج شده است که شامل 25 متغیر وابسته می‌باشد. پس از پیش‌پردازش، اطلاعات به 531 پرونده کاهش یافت. برای جایگزینی داده‌های گمشده از الگوریتم بهینه‌سازی ذرات چندهدفه استفاده شد. پس از پیش‌پردازش، الگوریتم ماشین‌بردار پشتیبان بر روی این داده‌ها اجرا گردید. در نهایت، عملکرد الگوریتم پیشنهادی با الگوریتم‌های مشابه مقایسه و ارزیابی شد.

نتایج: در مرحله پیش‌پردازش، رکوردهایی که بیش از 20 درصد داده‌های گمشده داشتند حذف شدند و مابقی رکوردها جایگزینی شدند. سپس داده‌ها به دو مجموعه آموزش و تست با نسبت 70-30 تقسیم گردید. الگوریتم ماشین‌بردار پشتیبان با کرنل شعاعی بر روی داده‌های آموزشی اجرا شد و میزان حساسیت، ویژگی و صحت برای داده‌های آموزشی به ترتیب 24/96%، 86/90% و 55/93% حاصل گردید و برای داده‌های تست 80%، 22/77% و 62/78% به‌دست آمد. همچنین، در این پژوهش نشان داده شد که الگوریتم ماشین‌بردار پشتیبان پیشنهادی نسبت به شش الگوریتم مشابه عملکرد بهتری دارد.

نتیجه‌گیری: در این پژوهش نشان داده شده است که با استفاده از الگوریتم‌های یادگیری ماشین، می‌توان کبد چرب غیر الکی را با هزینه پایین‌تری تشخیص داد.