مجله انفورماتیک سلامت و زیست پزشکی
دوره 13، شماره 1 - ( 3-1405 )
جلد 13 شماره 1 صفحات 23-12 |
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:
Valizadeh N, Bolouki Speily O R, Ghorbanzadeh P. An Intelligent Framework Based on Health Informatics for Diagnosing Liver Diseases Using Generative Adversarial Network-Based Data Augmentation and Ensemble Learning. jhbmi 2026; 13 (1) :12-23
URL: http://jhbmi.ir/article-1-941-fa.html
URL: http://jhbmi.ir/article-1-941-fa.html
ولیزاده نازیلا، بلوکی اسپیلی امیدرضا، قربان زاده پرویز. یک چارچوب هوشمند مبتنی بر انفورماتیک سلامت برای تشخیص بیماریهای کبدی با استفاده از افزایش داده مبتنی بر شبکه مولد تخاصمی و یادگیری تجمعی. مجله انفورماتیک سلامت و زیست پزشکی. 1405; 13 (1) :12-23
دکتری مهندسی فناوری اطلاعات، استادیار، گروه مهندسی فناوری اطلاعات، دانشکده علوم و فناوری های نوین، دانشگاه صنعتی ارومیه، ارومیه، ایران
چکیده: (2446 مشاهده)
مقدمه: سلامت، یکی از بنیادیترین ابعاد زندگی انسان است و بیماریهای مزمن تهدیدی جدی در این حوزه محسوب میشوند که عوارض گستردهای بهدنبال دارند. با پیشرفتهای سریع هوش مصنوعی، سامانههای تشخیص پزشکی هوشمند در زمینه تشخیص زودهنگام، کاهش هزینهها و کمک به تصمیمگیری دقیقتر پزشکان توسعه چشمگیری یافتهاند. با وجود کاربرد روشهای گوناگون دادهکاوی، پیچیدگی و ابعاد بالای دادههای پزشکی همچنان چالشبرانگیز است. در این میان، روشهای یادگیری عمیق و مدلهای مولد ابزارهایی توانمند برای تحلیل این دادهها هستند.
روشکار: در این پژوهش، روشی نوین برای بهبود تشخیص بیماریهای کبدی پیشنهاد شده است که بر پایه پیشپردازش و افزایش دادهها با استفاده از شبکههای مولد تخاصمی (GAN) و یادگیری تجمعی از نوع استکینگ (Stacking) قرار دارد. برای ارزیابی، از مجموعهداده استاندارد بیماران کبدی هند (ILPD) استفاده شد. در مرحله نخست، مدل تجمعی با اعتبارسنجی متقابل ۱۰-مرحلهای دقت ۷۷ درصد را بهدست آورد. سپس، با استفاده از تکنیک افزایش داده مبتنی بر GAN، مجدداً مدل آموزش داده شد که این بار دقت چشمگیر ۹۹ درصد حاصل گردید.
یافتهها: نتایج نشان میدهد که بهکارگیری مناسب روشهای پیشپردازش و افزایش داده، تأثیر بسزایی در بهبود عملکرد مدل و ارتقای دقت تشخیص زودهنگام بیماری کبد دارد.
نتیجهگیری: چارچوب هوشمند پیشنهادی با غلبه بر چالش پیچیدگی و عدم توازن دادههای پزشکی، مدلی بسیار دقیق و قابلاتکا ارائه میدهد. این رویکرد میتواند بهعنوان یک سیستم پشتیبان تصمیمگیری بالینی کارآمد در حوزه انفورماتیک سلامت، به متخصصان در تشخیص زودهنگام و مدیریت بهتر بیماریهای کبدی کمک شایانی نماید.
روشکار: در این پژوهش، روشی نوین برای بهبود تشخیص بیماریهای کبدی پیشنهاد شده است که بر پایه پیشپردازش و افزایش دادهها با استفاده از شبکههای مولد تخاصمی (GAN) و یادگیری تجمعی از نوع استکینگ (Stacking) قرار دارد. برای ارزیابی، از مجموعهداده استاندارد بیماران کبدی هند (ILPD) استفاده شد. در مرحله نخست، مدل تجمعی با اعتبارسنجی متقابل ۱۰-مرحلهای دقت ۷۷ درصد را بهدست آورد. سپس، با استفاده از تکنیک افزایش داده مبتنی بر GAN، مجدداً مدل آموزش داده شد که این بار دقت چشمگیر ۹۹ درصد حاصل گردید.
یافتهها: نتایج نشان میدهد که بهکارگیری مناسب روشهای پیشپردازش و افزایش داده، تأثیر بسزایی در بهبود عملکرد مدل و ارتقای دقت تشخیص زودهنگام بیماری کبد دارد.
نتیجهگیری: چارچوب هوشمند پیشنهادی با غلبه بر چالش پیچیدگی و عدم توازن دادههای پزشکی، مدلی بسیار دقیق و قابلاتکا ارائه میدهد. این رویکرد میتواند بهعنوان یک سیستم پشتیبان تصمیمگیری بالینی کارآمد در حوزه انفورماتیک سلامت، به متخصصان در تشخیص زودهنگام و مدیریت بهتر بیماریهای کبدی کمک شایانی نماید.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1404/5/12 | پذیرش: 1405/1/10
دریافت: 1404/5/12 | پذیرش: 1405/1/10
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |