10358

پيش بيني احتمال پيشرفت فيبروز كبدي با استفاده از هوش مصنوعي

كارشناسي

مهندسي كامپيوتر

1405

دكتر محسن شريفي، دكتر فريبا علائي شهميري

1405/03/19

دانشكده مهندسي كامپيوتر

Predicting the Likelihood of Liver Fibrosis Progression Using Artificial Intelligence

كبد چرب غير الكلي بيماري شايعي است كه در برخي بيماران مي تواند به فيبروز كبدي و در نهايت سيروز منجر شود. در اين پايان‌نامه يك مدل مبتني بر هوش مصنوعي براي بررسي ريسك پيشرفت فيبروز كبدي در بيماران مبتلا به كبد چرب ارائه مي شود. تا كنون مطالعاتي گسترده‌اي در اين زمينه انجام شده است وليكن در اين مطالعه بررسي تخصصي تري با تمركز بر بيماراني كه از قبل مبتلا به كبد چرب غيرالكي بوده‌اند صورت گرفت. رويكرد كلي پژوهش شامل جمع‌آوري داده‌ها، پيش‌پردازش، مهندسي ويژگي‌ها، آموزش مدل با الگوريتم XGBoost و در نهايت ارزيابي عملكرد آن در چهار فاز تكرارپذير بوده است. يكي از نكات مهم اين طرح در روش‌شناسي، استفاده از سناريوي شبيه‌سازي شده "يادگيري مشاركتي ترتيبي" است كه راهكاري براي غلبه بر چالش‌هاي اشتراك‌گذاري داده محسوب مي‌شود. مدل پيشنهادي پس از آموزش بر اساس متغيرهاي دموگرافيك و باليني، يك امتياز بين 0 تا 100 به عنوان شاخص ريسك ابتلا به فيبروز كبدي به پزشك ارائه مي‌نمايد. استفاده از اين مدل مي تواند به عنوان يك روش غير تهاجمي و كم هزينه براي غربالگري بيماران در محيط هاي باليني مورد استفاده قرار گيرد. مدل پيشنهادي با استفاده از مجموعه داده هاي باليني واقعي شامل بيش از 600 نمونه كه توسط پژوهشكده غدد و متابوليسم دانشگاه علوم پزشكي ايران جمع آوري شده اند، آموزش ديده است. براي ارزيابي عملي ها داده‌هاي همان پژوهشكده استفاده شده است و پس از بهينه‌سازي حساسيت مدل نتايج مطلوبي در مقايسه با شاخص هاي مطرح فعلي بدست آمد.

بيماري كبد چرب غيرالكلي , فيبروز كبدي , الگوريتم XGBoost , يادگيري مشاركتي ترتيبي , شاخص‌هاي متابوليك غيرتهاجمي , حساسيت مدل