دقت ۹۷ درصدی هوش مصنوعی در تشخیص بیماری کبدی با الگوریتم «جستجوی خزندگان»

کبد، بزرگ‌ترین عضو داخلی بدن، نقشی حیاتی در پردازش مواد غذایی، تولید انرژی، سم‌زدایی و تقویت ایمنی ایفا می‌کند. با این حال، در سال‌های اخیر، عواملی چون تغییر سبک زندگی، مصرف الکل، چاقی و ژنتیک، شیوع بیماری‌های کبدی از جمله کبد چرب، هپاتیت ویروسی، سیروز و نارسایی کامل کبد را افزایش داده‌اند. از آنجا که عدم تشخیص به‌موقع این بیماری‌ها می‌تواند مرگبار باشد، یافتن روش‌های نوین و دقیق برای غربالگری زودهنگام اهمیت دوچندان یافته است.

چالش‌های تشخیص سنتی و پتانسیل هوش مصنوعی

روش‌های سنتی تشخیص بیماری‌های کبدی اغلب زمان‌بر و فاقد دقت کافی هستند. پژوهش‌های بین‌المللی نشان داده‌اند که الگوریتم‌های یادگیری ماشین می‌توانند با تحلیل داده‌های گسترده پزشکی، سرعت و دقت تشخیص را به طور چشمگیری افزایش دهند. اگرچه مقایسه‌های پیشین میان الگوریتم‌هایی نظیر رگرسیون لجستیک، نزدیک‌ترین همسایه و درخت تصمیم، عملکرد مناسبی را نشان داده‌اند، اما همچنان نیاز به مدلی وجود داشت که بتواند علاوه بر دقت بالا، قابلیت تعمیم به بیماران گوناگون را نیز تضمین کند.

طراحی مدل نوین با الگوریتم فراابتکاری

در همین راستا، صفورا عاشوری، محقق مهندسی کامپیوتر در دانشگاه آزاد اسلامی واحد رشت، به همراه همکارانش، پژوهشی را با هدف طراحی یک مدل نوین بر پایه یادگیری عمیق (Deep Learning) انجام دادند تا پیش‌بینی بیماری کبدی با اطمینان بیشتری ممکن شود.

جزئیات پژوهش و داده‌ها

برای اجرای این طرح، پژوهشگران از داده‌های پزشکی مربوط به بیماران کبدی در کشور هند استفاده کردند. این داده‌ها پس از پیش‌پردازش، وارد مدلی شدند که بر اساس شبکه‌های عصبی عمیق بنا شده بود. تفاوت اصلی و نوآورانه این پژوهش، بهره‌گیری از الگوریتم فراابتکاری موسوم به «جستجوی خزندگان» بود. این الگوریتم به مدل کمک کرد تا پارامترهای درونی خود را بهینه‌سازی کرده و در نهایت، دقت پیش‌بینی را به میزان قابل توجهی افزایش دهد.

نتایج خیره‌کننده و قابلیت تعمیم

نتایج این کار، موفقیت چشمگیر مدل طراحی‌شده را به اثبات رساند:

• دقت تشخیص: مدل توانست با دقتی نزدیک به ۹۷ درصد، بیماران کبدی را از افراد سالم تشخیص دهد.
• شاخص‌های عملکرد: شاخص‌های دیگری مانند «صحت» و «امتیاز F1» نیز در سطح بالایی قرار داشتند.

این سطح از دقت نشان می‌دهد که خطای مدل در حداقل ممکن بوده و توانسته تعادل مطلوبی بین تشخیص صحیح بیماران و پرهیز از تشخیص‌های نادرست برقرار کند. محققان تأکید کردند که ترکیب شبکه‌های عصبی با الگوریتم‌های فراابتکاری، گامی مهم در افزایش توان هوش مصنوعی برای کاربری‌های پزشکی است. مدل پیشنهادی نه تنها دقت بیشتری نسبت به روش‌های پیشین داشته، بلکه با جلوگیری از پدیده «بیش‌برازش» (Overfitting)، قابلیت استفاده در شرایط واقعی بالینی را نیز پیدا کرده است.

از نگاه علمی، اهمیت این دستاورد در آن است که الگوریتم مورد استفاده توانسته در فضای بسیار پیچیده داده‌ها به جستجوی مؤثر بپردازد و در عین حال از افتادن در دام نتایج محلی و نادرست جلوگیری کند. این مدل حتی در مقایسه با روش‌های ترکیبی پیشرفته مانند AdaBoost یا الگوریتم‌های مبتنی بر جنگل تصادفی نیز عملکرد بهتری داشته است.

چشم‌انداز آینده فناوری درمانی

چشم‌انداز آینده این فناوری‌ها بسیار روشن است. در صورت ادغام مدل‌های هوش مصنوعی مانند این مدل در سیستم‌های تصمیم‌یار بالینی و اپلیکیشن‌های سلامت دیجیتال، امکان غربالگری زودهنگام جمعیت‌های پرخطر فراهم می‌شود. این امر دو نتیجه حیاتی در پی خواهد داشت:

1. کاهش نرخ مرگ و میر ناشی از بیماری‌های کبدی.
2. کاهش چشمگیر هزینه‌های درمانی.

انتشار یافته‌های علمی

این پژوهش علمی در «مجله انفورماتیک سلامت و زیست پزشکی» منتشر شده است؛ نشریه‌ای وابسته به دانشگاه علوم پزشکی کرمان که به انتشار تازه‌ترین یافته‌ها در حوزه کاربرد فناوری اطلاعات و هوش مصنوعی در پزشکی می‌پردازد.