مجله انفورماتیک سلامت و زیست پزشکی

مقدمه: ابتلا به بیماری کبد به دلیل نوشیدن بیش از حد الکل، استنشاق گازهای آلوده، داروها، مواد غذایی آلوده و بسته‌بندی غذا به سرعت در حال افزایش است. با توجه به این که این بیماری در مراحل اولیه عوارض و علائمی ندارد تشخیص به موقع آن کار دشواری می‌باشد. اگر این بیماری در مراحل اولیه تشخیص داده شود درمان آن به آسانی و با صرف هزینه کمتر امکان‌پذیر می‌باشد. بیماری‌های کبدی در مراحل پیشرفته‌تر تبدیل به سیروز و سرطان کبدی می‌گردد که به مراتب راه‌های درمانی بسیار دشوارتری را به دنبال دارند حتی در بعضی موارد منجر به مرگ بیمار می‌گردد.  
روش کار: با توجه به چالش‌های مطرح شده تشخیص زود هنگام این بیماری در ارائه راهکارهای درمانی، طول درمان و بهبودی بسیار مهم است. با پیشرفت فناوری یادگیری ماشینی و یادگیری عمیق و توانایی آن در تحلیل و یادگیری ویژگی از مجموعه داده‌های پیچیده و حجیم می‌توان از این ابزار جهت پیش‌بینی زودهنگام بیماری کبد استفاده نمود، بدین منظور در پژوهش‌ حاضر، از مجموعه داده بیماران  کبدی هند استفاده شد. پس از پیش پردازش داده‌ها، یک مدل یادگیری عمیق که به وسیله الگوریتم فراابتکاری جستجوی خزندگان بهینه شده مطرح گردید تا با استفاده از مزیت الگوریتم‌های فراابتکاری دقت پیش‌بینی را افزایش دهد و به تشخیص به موقع بیماری کمک کند.
یافته‌ها‌ : در مطالعه حاضر، روش پیشنهادی ما شامل شبکه عصبی عمیق بهینه‌شده با بهره‌گیری از الگوریتم فراابتکاری RSA است. این مدل توانست در تشخیص بیماری کبدی، با دقت تقریبی 96.9 درصد، صحت حدود 97.2 درصد و امتیاز F1 نزدیک به 96.7 درصد، نتایج قابل قبولی را نشان دهد. این رویکرد نشان‌دهنده کارایی بالا در تشخیص زودهنگام و دقیق بیماری‌های کبدی است که می‌تواند به بهبود فرآیندهای درمانی کمک کند.
نتیجه‌گیری: نتایج نشان دادند که استفاده از شبکه عصبی پیشخور و الگوریتمهای فراابتکاری، موجب بهبود قابل توجهی در دقت و صحت تشخیص بیماری کبدی شد. مدل پیشنهادی توانست به‌طور قابل ملاحظهای دقت پیشبینی و صحت نتیجه‌گیری را نسبت به روش‌های پیشین افزایش دهد. این پیشرفت‌ها می‌تواند در تشخیص زودهنگام و به موقع بیماری‌های کبدی نقش موثری ایفا کند و به بهبود روند درمان و کاهش عوارض ناشی از پیشرفت بیماری کمک نماید.