ایجاد سیستم خبره برای تشخیص افتراقی بتاتالاسمی مینور از کم خونی فقرآهن با استفاده از شبکه عصبی

مقدمه: شبکه های عصبی مصنوعی، نوعی سیستم حل مشکل هستند که از تکنولوژی های خیلی پیچیده و راه حل های غیرالگوریتمی استفاده می کنند، به دلیل همین ویژگی، برای حالت های متنوع ممکن در پزشکی مناسب می باشند. هدف این پژوهش، بررسی کاربرد شبکه عصبی مصنوعی در تشخیص افتراقی بتاتالاسمی مینور از کم خونی فقرآهن است. روش کار: پژوهش حاضر از نوع پژوهش های توسعه ای می باشد، که به صورت توصیفی - مقطعی انجام گردید. جامعه پژوهش، نتایج آزمایشگاهی cbc، 394نفر از افراد مراجعه کننده برای آزمایشات قبل از ازدواج در نیمه اول سال 92 بوده است. به منظور ایجاد شبکه عصبی، از نرم افزار matlab (نسخه 2011 آ) استفاده شد. الگوریتم های یادگیری مختلف پس انتشار خطا در شبکه عصبی مقایسه شده و نهایتاً با استفاده از ماتریس کانفیوژن و منحنی مشخصه عملکرد، بهینه ترین ساختار شبکه، به لحاظ حساسیت، ویژگی و صحت سیستم در تشخیص انتخاب گردید. نتایج: سیستم تشخیصی پیشنهادی برمبنای شبکه عصبی پرسپترون چندلایه با چهار ورودی و 100نرون و یک لایه مخفی توانست با ویژگی 92 درصد، حساسیت 94 درصد و صحت 9/93 درصد به عنوان قوی ترین ابزار برای این تشخیص افتراقی استفاده شود. نویسنده مسئول: دکتر مصطفی لنگری زاده گروه انفورماتیک پزشکی، دانشگاه علوم پزشکی ایران تهران - ایران تلفن: 9198616016 98+ پست الکترونیکی: [email protected] نتیجه گیری: شبکه های عصبی مصنوعی ساختارهای قدرتمندی برای دسته بندی داده ها و یادگیری الگوها دارند. به نظر می رسد از میان روش های مختلف آموزش، روش پس انتشار خطا با الگوریتم لونبرگ مارکواردت، با همگرایی سریع تر در آموزش شبکه، بهترین نتیجه را داشته و از صحت قابل توجهی برای تفکیک درست افراد سالم و بیمار برخوردار است. با این روش پیشنهادی می توان به تشخیص های دقیق، صحیح، به موقع و ارزان قیمت دست یافت. توسعه این سیستم در راستای کاربرد سیستم های خبره هوشمند به عنوان چشم انداز جدیدی در عرصه سیستم های پزشکی مطرح می شود.