Journal of Health and Biomedical Informatics

fa طراحی یک مدل یادگیری عمیق بهینه برای پیش‌بینی بیماری کبد Design an Optimized Deep Learning Model for Liver Disease Prediction هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article 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 شامل شبکه عصبی عمیق بهینه‌شده با بهره‌گیری از الگوریتم فراابتکاری RSA است. این مدل توانست در تشخیص بیماری کبدی، با دقت تقریبی ۹۶/۹ درصد، صحت حدود ۹۷/۲ درصد و امتیاز F۱ نزدیک به ۹۶/۷ 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 داد 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 مؤثری ایفا کند و به بهبود روند درمان و کاهش عوارض ناشی از پیشرفت بیماری کمک نماید. Introduction: The incidence of liver disease resulting from excessive alcohol consumption, inhalation of polluted gases, drug use, contaminated food, and food packaging is rapidly increasing. As this disease often presents no symptoms or complications in its early stages, timely diagnosis can be challenging. However, if diagnosed early, treatment can be administered more easily and at a lower cost. In more advanced stages, liver diseases can progress to cirrhosis and liver cancer, leading to significantly more difficult treatment options and, in some cases, resulting in the patient's death. Method: Considering the challenges involved, early diagnosis of liver disease is crucial for determining treatment solutions, duration of treatment, and recovery. With advancements in machine learning and deep learning technologies, which can analyze and learn from complex and large datasets, these tools can be employed for the early prediction of liver disease. In this study, we utilized a dataset of liver disease patients from India. After data preprocessing, a deep learning model optimized by the metaheuristic algorithm of the Lizard Search was proposed to enhance prediction accuracy by leveraging the advantages of metaheuristic algorithms and to assist in timely disease diagnosis. Results: Our proposed method employs a deep neural network optimized using the metaheuristic RSA algorithm. This model achieved promising results in diagnosing liver disease, with an approximate accuracy of 96.9%, a reliability of around 97.2%, and an F1 score close to 96.7%. This approach demonstrates high efficiency in the early and accurate detection of liver diseases, contributing to improved treatment processes. Conclusion: The results demonstrated that combining a feedforward neural network with metaheuristic algorithms significantly improved the accuracy and reliability of liver disease diagnosis. The proposed model enhanced prediction accuracy and diagnostic validity compared to previous methods. These advancements can effectively facilitate the early detection of liver diseases, leading to improved treatment processes and a reduction in complications associated with disease progression. بیماری کبد, یادگیری ماشین, یادگیری عمیق, الگوریتم فراابتکاری, شبکه عصبی عمیق Liver disease, Machine learning, Deep learning, Metaheuristic algorithm, Deep neural network 1 17 http://jhbmi.ir/browse.php?a_code=A-10-1011-3&slc_lang=fa&sid=1 Davoud Jalalian داود جلالیان safura.ashoori89@gmail.com 100319475328460010663 100319475328460010663 No PhD in Electrical and Electronic Engineering, Assistant Professor, Department of Electrical Engineering, Islamic Azad University, Fouman and Shaft Branch, Fouman and Shaft, Iran دکترای برق الکترونیک، استادیار، گروه مهندسی برق، دانشگاه آزاد اسلامی، واحد فومن وشفت، فومن وشفت، ایران Safoura Ashoori صفورا عاشوری safoura.ashoori@gmail.com 100319475328460010664 100319475328460010664 Yes PhD Student in Computer Science, Rasht Branch, Islamic Azad University, Rasht, Iran دانشجوی دکتری، مهندسی کامپیوتر، دانشگاه ازاد اسلامی، واحد رشت، رشت، ایران