تشخیص بیماری سل ریوی با استفاده از هوش مصنوعی (الگوریتم بیز ساده) چگونه است ؟
تشخیص بیماری سل ریوی با استفاده از هوش مصنوعی (الگوریتم بیز ساده) چگونه است ؟
تشخیص بیماری سل ریوی با استفاده از هوش مصنوعی (الگوریتم بیز ساده) چگونه است ؟
زمینه و هدف: بار جهانی سل و مقاومت آنتی بیوتیکی توجه محققان را به سمت توسعه برخی ابزارهای جدید و سریع تشخیصی جلب کرده است. اگرچه روشهای مرسوم مانند کشت به عنوان استاندارد طلا در نظر گرفته می شود ، اما در روش تشخیصی وقت گیر است و در طی آن احتمال انتقال بیماری بیشتر است. علاوه بر این ، آزمایش Xpert MTB / RIF در عرض 2 ساعت امکان تشخیص سریع را فراهم می کند ، اما به دلیل حساسیت کم در برخی از انواع نمونه ، ممکن است منجر به وضعیت جدی تر بیماری شود. نقش فن آوری های رایانه ای در حال حاضر در مراحل تشخیصی در حال افزایش است. در اینجا ، در مطالعه حاضر ما از شبکه عصبی مصنوعی (ANN) استفاده کرده ایم که بیماری سل را بر اساس داده های مشکوک به سل پیش بینی می کند.
روش ها: ما یک روش برای پیش بینی سل ، بر اساس ANN ایجاد کردیم. داده ها از افراد مشکوک به سل ، سرپرستان یا مراقبان مراقبت همراه با نمونه جمع آوری شده توسط واحدهای سل و مراکز بهداشتی ارجاع شده است. کلیه نمونه ها پردازش و کشت شدند. داده ها در مورد 12،636 پرونده بیماران سل که طی سالهای 2016 و 2017 از آزمایشگاه مرجع سل استان ، خیبر پختونخوا ، پاکستان جمع آوری شده ، آموزش دیده است. مجموعه آموزش و آزمون داده های مظنون به ترتیب 70 و 30٪ نگه داشته شد و به دنبال آن اعتبار سنجی و عادی سازی انجام شد. ANN اطلاعات مظنون سل را مانند جنس ، سن ، وضعیت HIV ، سابقه قبلی سل ، نوع نمونه و علائم و نشانه های پیش بینی سل را می گیرد.
یافته ها: براساس داده های بیمار سل ، ANN به طور دقیق پیش بینی یا منفی مایکوباکتریوم سل (MTB) مثبت یا منفی را با دقت کلی> 94٪ اعلام کرد. علاوه بر این ، صحت آزمون و اعتبار سنجی> 93٪ یافت شد. این افزایش دقت ANN در تشخیص بیماران مشکوک به سل ممکن است برای مدیریت زودهنگام بیماری جهت اتخاذ برخی اقدامات کنترل در انتقال بیشتر و کاهش بار مقاومت دارویی مفید باشد.
نتیجه گیری: الگوریتم های ANN ممکن است در تشخیص به موقع بیماری سل نقش موثری داشته باشند که ممکن است به عنوان ابزاری حمایتی مورد استفاده قرار گیرد. فن آوری های رایانه ای مدرن باید برای تشخیص سریع بیماری برای آموزش سریع آموزش ببینند. تأخیر در تشخیص و درمان سل ممکن است باعث ظهور موارد جدیدی از طریق انتقال شود ، که باعث مقاومت بالای دارویی در کشورهای دارای بار سل می شود.
واژه های کلیدی: ANN ، سل ، داده ها ، تشخیص ، مقاومت به دارو
قابل اعتماد و متخصص:
مقدمه
طبق ( سازمان بهداشت جهانی [WHO] ، 2018 ) ، 1.7 میلیارد نفر (23٪) از جمعیت جهان مبتلا به عفونت سل پنهان هستند که نشان دهنده خطر ابتلا به سل فعال در طول زندگی آنها است ( سازمان بهداشت جهانی [WHO]) ، 2018 ). تقریباً 10.4 میلیون مورد ابتلا به سل در سراسر جهان رخ داده است ، از جمله 5 میلیون (56 درصد) مرد ، 3.5 میلیون نفر (34 درصد) زن و 1 میلیون نفر (10 درصد) در بین كودكان ( WHO ، 2017 ). به دلیل افزایش جمعیت جهان ، واحدهای مراقبت های بهداشتی به طور مداوم در تلاشند تا استاندارد را بهبود بخشند و انتقال و هزینه را کاهش دهند. روش هایی که معمولاً برای تشخیص سل استفاده می شود شامل ، سنجش GeneXpert ، میکروسکوپ خلط اسمیر و رادیوگرافی قفسه سینه است ( Dheda و همکاران ، 2017 ؛ Ejeta و همکاران ، 2018) با این حال ، وقتی بیماری عفونی به سایر قسمت های بدن گسترش می یابد ، تشخیص پیچیده تر می شود – از این به عنوان سل ریوی اضافی یاد می شود. همه این روش های تشخیصی محدودیت هایی دارند. روش کشت استاندارد طلایی برای تشخیص عامل ایجاد کننده سل ، مایکوباکتریوم توبرکلوزیس (MTB) در نظر گرفته می شود اما در تشخیص زمان بر است و احتمال آلودگی زیاد است ( کرول و همکاران ، 1991 ؛ عثمان و همکاران ، 2010 ؛ اصغرزاده و دیگران ، 2015 ). برخی از موضوعات رایج گزارش شده از سایر روشهای تشخیصی شامل مشکلات عملکردی ، نمونه های خلط از کودکان (موارد اطفال) ، MTB زنده ، کارکنان پزشکی بسیار ماهر برای ابزارهای توان بالا و هزینه بالا است ( Dheda et al.، 2017 ؛Pandey و همکاران ، 2017 ). تأخیر در تشخیص ممکن است منجر به مقاومت دارویی ، مقاومت چند دارویی (MDR) شود ، جایی که ایزوله مقاومت در برابر دو داروی خط اول ، ریفامپیسین و ایزونیازید و مقاومت دارویی گسترده (XDR) را نشان می دهد که شامل MDR است و همچنین مقاومت در برابر فلوروکینولون ها و حداقل یک داروی تزریقی ( Seung et al.، 2015 ).
در علوم بهداشتی ، آزمایشات آزمایشگاهی مرطوب می تواند زمانبر باشد و احتمال آلودگی می تواند بیماری را به حالت غیرقابل برگشت سوق دهد. اگرچه روش Xpert MTB / RIF در عرض 2 ساعت یک امکان تشخیص سریع را ارائه می دهد ، اما به دلیل حساسیت کم در برخی از انواع نمونه ها و هزینه ممکن است به بیماری جدی تری منجر شود ( Pandey و همکاران ، 2017 ).
در چند دهه گذشته ، محققان در طول تجزیه و تحلیل بیان ژن و پروتئین ، مقدار گسترده ای از داده های بیولوژیکی را در ژنومیک ، پروتئومیکس و برخی زمینه های دیگر زیست شناسی جمع آوری کرده اند. برای استخراج برخی از اطلاعات معنی دار و تفسیر نتایج ، الگوریتم های محاسباتی با توان بالا تولید شده اند ( Fojnica et al.، 2016 ؛ Dande and Samant، 2018 ). در بیوانفورماتیک ، داده کاوی فرایندی است برای استخراج اطلاعات مفید در عمق مجموعه داده های بزرگ ( Sebban et al.، 2002 ؛ Zheng et al.، 2008 ؛ Li et al.، 2013 ). این تکنیک ها همچنین شامل هوش مصنوعی ، آمار ، یادگیری ماشین و تجسم است ( لی و همکاران ، 2013 ؛Dande and Samant، 2018 ). برای پیش بینی بهتر نتایج ، چنین روش هایی برای افشای و تجزیه و تحلیل اطلاعات پنهان درون داده ها یا گاهی اوقات تجزیه و تحلیل هوشمند داده (IDA) نیز نامیده می شود. این کشف دانش به دست آمده از داده های بهداشتی دارای برخی اهداف عمده است ، از جمله تشخیص در علوم بهداشتی و شبیه سازی ها ( ملو و همکاران ، 2006 ؛ گیلت و همیلتون ، 2007 ؛ چانگ و همکاران ، 2012 ).
روش های تشخیصی که به طور سنتی برای بیماران سل استفاده می شود ، می تواند با رویکردهای داده کاوی به حداقل برسد. محققان آزمایشگاه ملی و بین المللی در حال حاضر درگیر تشخیص جدید هستند و ارزیابی آنها به معرفی روشهای سریعتر و دقیق تر در تشخیص سل همراه با ارزیابی الگوریتم های جایگزین برای آزمایشگاه های مرجع سل کمک می کند ( پارسونز و همکاران ، 2011 ).
شبکه های عصبی مصنوعی (ANN) با استفاده از الگوریتم هایی برای تفسیر داده های غیر خطی ، مستقل از الگوی ترتیبی ، کار می کنند. این شبکه ها از تعدادی واحد کوچکتر به نام نورون تشکیل شده اند که بین ورودی داده ها و خروجی نتایج به لایه های مختلف سازمان یافته اند. ANN مانند یک سلول عصبی بیولوژیکی عمل می کند و رفتار می کند و این رفتار ممکن است از طریق یک فرایند تکثیر کپی یاد گرفته شود. در این فرآیند ، خروجی دقیق یک مجموعه داده قبلاً به عنوان ورودی به شبکه شناخته می شد. کمترین اختلاف مربع کل مجموعه داده ها با مقایسه مداوم خروجی ANN با خروجی شناخته شده به حداقل می رسد. دقت سطح خوب با انجام کارهای پیچیده و بدون منابع محاسباتی زیادی تنظیم می شود ( درو و مونسون ، 2000 ).
مزیت اصلی که معمولاً توسط شبکه ANN ارائه می شود ، توانایی آنها در استخراج روابط پنهان خطی و غیرخطی است ، حتی در مجموعه داده های بعدی و پیچیده ( Zhang et al.، 2010)) به منظور سهولت تصمیم گیرندگان بالینی ، برخی از تکنیک های ارزیابی سریعتر با هزینه کم و دقت مناسب ممکن است در تشخیص سل به منظور فراهم کردن زمان مطلوب برای درمان ، به ویژه در کشورهای با بار بالای سل ، از پشتیبانی بیشتری برخوردار باشند. ثابت شده است که روشهای مدرن در داده کاوی همراه با برخی از روشهای سنتی مانند رگرسیون برای مقایسه قدرت پیش بینی مدلهای مختلف مفید است. هدف از مطالعه حاضر حمایت از پزشکان در تشخیص ، استفاده از مدل های پیش بینی کننده به عنوان یک روش تشخیصی برای سل است. در اینجا ، این تحقیق روش های داده کاوی ، به عنوان مثال ، طبقه بندی ، الگوریتم درخت تصمیم گیری در مجموعه داده های مشکوک به سل با ویژگی های منتخب بیماران را برای پیش بینی وجود یا عدم وجود بیماری سل ارائه می دهد. این اطلاعات را می توان برای توسعه روشهای کم هزینه تشخیصی ، کاهش اثرات دارویی ،
قابل اعتماد و متخصص:
مواد و روش ها
بیانیه اخلاق
این پیشنهاد مطالعه توسط کمیته نهادی (Ref 30 / CUST2017) و زیست شناس شارژ و مولکولی ، آزمایشگاه تحقیقات سل استان (PTRL) (شماره شماره 1-06-17) تأیید و مجاز شد که در آن نام بیمار و اطلاعات حساس بیمار حذف شد و هیچ یک از این موارد با یک فرد مظنون به سل در ارتباط بوده است. بعلاوه ، این مطالعه همچنین طبق استاندارد WHO و راهنمای عملیاتی بررسی اخلاق سازمان بهداشت جهانی [WHO] (2011) انجام شد . ضمیمه -3 (IV) -B (13).
داده کاوی داده های بیمار سل
داده های تحقیق حاضر از برنامه کنترل سل در PTRL ، مجتمع پزشکی حیات آباد پیشاور بازیابی شد. همه بیماران پیگیری و تشخیصی وارد شده اند و اطلاعات بیماران از سرپرستان یا مراقبین جمع آوری شده است. داده ها شامل مکان ، سن ، جنس ، نوع نمونه ، سابقه ، وضعیت HIV است. مجموعه داده ها حاوی اطلاعات 36 واحد سل مختلف خیبر پختونخوا (KPK) است. مشخصات داده ها آورده شده استمیز 1، </s></s>، 22.
میز 1
مشخصات مشکوک به سل / بیماران دریافت شده از واحدهای سل KPK.
مشخصات
نه
مشخصات
نه
مشخصات
نه
جنسیت
وضعیت Hiv
نوع نمونه
زن
6445
Hiv + ve
534
خلط
11089
نر
6043
هیو
5
مایع پلور
343
∗ دیگر
148
ناشناخته
12097
∗ BAL
312
جمع
12636
جمع
12636
آسپیرات معده
224
∗ CSF
172
تاریخ
گروه سنی
چرک
124
تشخیص
10416
0.1-14
1072
مایع زاهد
117
پیگیری
2220
15–24
3474
بافت
104
جمع
12636
25–34
2438
ادرار
69
35–44
1678
مایع پریکارد
43
نوع بیماری
45–54
1690
مایع سینوویال
16
ریوی اضافی
1323
55–64
1336
گره لنفاوی
11
ریوی
11313
65–74
661
جمع
12636
جمع
12636
75–84
222
فرهنگ
85–94
55
MTB
1809
95–104
8
بدون رشد
10827
100–105
2
جمع
12636
جمع
12636
در یک پنجره جداگانه باز کنید
∗ CSF ، مایع مغزی نخاعی ؛ BAL ، لاواژ برونکوآلوئولار ؛ دیگر ، او مرد است.
جدول 2
تعداد افراد مشکوک به سل از واحدهای مختلف استان KPK دریافت شده است.
S.No
مرکز سلامت
موارد
S.No
مرکز سلامت
موارد
1
∗ آژانس ATO خیبر
71
20
DTO Sawabi
32
2
* CMH
296
21
DTO شانگلا
4
3
∗ آژانس DTO Bajawar
11
22
DTO Swat
6
4
DTO بانو
8
23
مجتمع پزشکی حیات آباد
1903
5
DTO بونر
8
24
بیمارستان آموزشی خیبر
699
6
DTO چارسادا
54
25
بیمارستان کویت
21
7
DTO Chitral
5
26
بیمارستان خواندن سرب
2
8
DTO DI خان
8
27
مجتمع پزشکی مردان
8
9
DTO دیر پایین
7
28
* PMDT ATH
627
10
DTO Dir بالا
13
29
بیمارستان خواندن سرب PMDT
5333
11
DTO Hangu
39
30
PMDT ∗ MMTH
1255
12
DTO کهات
8
31
PMDT Swat
855
13
DTO کوهستان
1
32
خصوصی
2
14
DTO لاکی
2
33
آزمایشگاه مرجع پیشاور
111
15
DTO مالاکند
4
34
موسسه پزشکی رحمان
66
16
DTO Mansehra
1
35
DTO تخت نصرتی
4
17
DTO مردان
17
36
کنترل سل گنج
1
18
DTO نوشرا
37
19
DTO پیشاور
1117
جمع
12636
در یک پنجره جداگانه باز کنید
∗ ATH ، بیمارستان آموزشی ایوب ؛ ATO ، افسران سل آژانس ؛ CMH ، بیمارستان نظامی ترکیبی ؛ DTO ، افسران کنترل سل منطقه MMTH ، بیمارستان آموزشی مفتی مهمود ؛ PMDT ، مدیریت برنامه ای سل مقاوم در برابر دارو.
توسعه Dataset
مظنونانی که طی سالهای 2016 و 2017 توسط واحدهای سل و مراکز بهداشتی درمانی ارجاع شده اند ، شامل شدند. نمونه ها طبق مطالعه قبلی پردازش و کشت داده شدند ( کنت و کوبیکا ، 1985 ؛ خان و همکاران ، 2018 ) و MTB منفی و مثبت پس از نتیجه کشت تأیید شد. تأیید بیشتر با استفاده از آزمون شناسایی BD MGIT MTBc (TBc ID ، Ref: 245159 ، Becton ، Dickinson) ، یک روش سنجش کروماتوگرافی سریع که آنتی ژن پیچیده MTB MPT64 ترشح شده در طی کشت را تشخیص می دهد ( Arora و همکاران ، 2015 ). این مجموعه داده توسط نرم افزار MATLAB تأیید شد ( Attaway ، 2013 ). در مجموع 12،636 ورودی برای دستیابی به بازدهی خوب استفاده شد ، جایی که 70٪ به عنوان مجموعه آموزش و 30٪ باقیمانده به عنوان تست استفاده شد.درو و مونسون ، 2000 ؛ کولکارنی و همکاران ، 2017 ). اعتبار مشاهده شده برای مجموعه داده های آزمون حدود 93.71٪ بود.
رویکرد شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی الگوریتم هایی با الهام از طبیعت هستند ( Fojnica و همکاران ، 2016 ) که شامل گره لایه ورودی ، گره لایه پنهان و گره خروجی هستند. هر گره در یک لایه دارای یک گره موازی در لایه زیر آن است ، بنابراین در نتیجه انباشته سازی ایجاد می شود. الگوریتم یادگیری انتشار مجدد مبتنی بر الگوریتم های جستجوی نزولی گرادیان برای کمانچه با وزن همبستگی است ( Sollich and Krogh، 1996 ؛ Kaushik and Sahi، 2018 ). خروجی هر نورون جمع اطلاعات نورونهای مرحله قبل در وزنهای موازی با ارزش مغرض ضرب شده بود. مقدار ورودی با توجه به توابع فعال شده نشان داده شده به خروجی تبدیل شدشکل 1.
شکل 1
ساختار شبکه عصبی مجموعه داده MTB که در آن مجموعه داده به سه دسته لایه های ورودی ، پنهان و خروجی طبقه بندی شده است. “W” پارامتر وزن را با گره لایه نشان می دهد ، “B” واحد بایاس را نشان می دهد.
مرحله 1 – عادی سازی مجموعه داده های MTB.
مجموعه داده بیماران سل با توجه به مطالعه پیشنهادی نرمال شد ( Kaushik and Sahi، 2018 ).
Vجدید= (Vپیر– MinV ) / ( MaxV – MinV ) ∗ (دحداکثر–دحداقل) +دحداقل
جایی که V جدید نشان دهنده ارزیابی جدید پس از عادی سازی است ، V قدیمی ارزیابی قبل از نرمال سازی است ، MinV حداقل ارزیابی متغیر است ، MaxV حداکثر برآورد متغیر است. Dmax و Dmin به ترتیب حداکثر برآورد موفقیت پس از نرمال سازی و حداقل ارزیابی پس از عادی سازی هستند.
مرحله 2 – داده ها را برای آموزش وارد کنید ، مقادیر متقابل ورودی و خروجی برای آموزش با استفاده از الگوریتم های شبکه عصبی انتشار feed back back انتشار اجرا می شود.
مرحله 3 – محدودیت شبکه را تنظیم کنید.
مرحله 4 – نورونهای خروجی را محاسبه کنید ، هر سیگنال خروجی نورون با استفاده از محاسبه می شود
خالصج=Σمن = 1 ~ مترwijایکسمن+بج
که در آن netj و w ji به ترتیب نورونهای خروجی و نورونهای وزن اتصال هستند ، در حالی که xi و bj سیگنال ورودی و نورونهای بایاس هستند. از تابع سیگموئید یا تابع لجستیک ، منحنی سیگموئیدال ( Seggern، 2016 ) نیز نامیده می شود ، برای netj و هر نورون از ده لایه پنهان استفاده شد.
مرحله 5 – سیگنال محاسبه لایه های خروجی با استفاده از ،
خالصک=تلویزیونک+دلک
که در آن TV k مقدار هدف نورونهای خروجی است ودلک خطای نورون است.
مرحله 6 – محاسبه خطای نورون k و مرحله 3 و مرحله 6 تکرار شدند تا زمانی که شبکه جمع شود و خطا با استفاده از محاسبه شود ،
SSE =Σمن = 1 ~ N(تیمن–بلهمن)2
جایی که T من ارزیابی واقعی است و Y من ارزیابی تخمینی است.
روش گام به گام نمودار نمودار ارائه شده است شکل 1، </s></s>، 22.
در یک پنجره جداگانه باز کنید
شکل 2
نمودار جریان روش ANN برای پردازش داده ها ، عادی سازی ، آموزش ، آزمایش و پیش بینی.
قابل اعتماد و متخصص:
نتایج
مقاومت دارو و خصوصیات بیمار در نشان داده شده است شکل 4. MDR در میان جمعیت KPK و به دنبال آن مقاومت به داروی خط اول بسیار زیاد است. اگرچه XDR بسیار کم است ، اما درمان آن بسیار دشوار است و بهبودی آن اغلب سالها طول می کشد و احتمال آن بسیار نادر است. مقاوم به تک (مقاوم در برابر هر داروی منفرد) و پلی مقاوم (مقاوم در برابر دو یا چند دارو به غیر از MDR و XDR) به تعداد قابل توجهی یافت شده است. این شیوع بالای مقاومت دارویی ممکن است به دلیل تأخیر در تشخیص برخی از روشهای استاندارد طلا مانند فرهنگ باشد. با توجه به وضعیت فعلی ، ما ANN را در پرونده بیمار اعمال کردیم تا صحت پیش بینی را پیدا کنیم.
شکل 4
(الف) مقاومت دارویی در بین جدایه های MTB از خیبر پختونخوا. فرکانس تمام حساس ، MDR ، Mono_Resistant ، مقاوم در برابر پلی و XDR کدگذاری رنگی هستند. (B) داده های بیماران و الگوی مقاومت دارویی. مقاومت دارو با رنگ قرمز نشان داده می شود در حالی که جدایه های حساس به دارو زرد رنگ هستند. نوع مقاومت (Resist_Type) ، Sample_Type ، TB_Type ، سابقه سل قبلی بیماران و جنسیت به صورت رنگی کدگذاری شده اند.
بر اساس ANN ، داده های مورد استفاده در مطالعه حاضر دارای 12،636 رکورد است (میز 1) ، جایی که به ترتیب 70 و 30٪ به عنوان مجموعه آموزش و آزمون استفاده شد. دقت تست و اعتبارسنجی برای پیش بینی سل بر اساس داده های بیمار ، به ترتیب در 93.90 و 93.71٪ پیدا شد. این الگوریتم مبتنی بر شبکه ANN با دقت پیش بینی کرده است که ممکن است مظنون سل داشته باشد یا خیر و از طریق اجرای لایه پنهان ، خروجی تولید می کند. لایه های پنهان ، پارامترهای یادگیری ANN به شرح زیر است.
تعداد واحدهای لایه ورودی
12636
تعداد لایه های پنهان
10
تعداد واحدهای لایه پنهان اول
10
تعداد واحدهای لایه پنهان دوم
10
تعداد واحدهای لایه خروجی
1
سرعت حرکت
0.88
میزان یادگیری
0.70
خطا پس از یادگیری
0.000050
چرخه یادگیری
30000
معماری ANN
-
ساده 1
وزن و پارامترهای μ را مقداردهی اولیه کنید (μ = 0.01)
-
ساده 2
جمع خطاهای مربع شده ورودی کلی F (w) = e T e را محاسبه کنید
که در آن وزن شبکه w = [w1 ، w2 ، w3. w n ] و e بردار خطا برای شبکه است.
-
ساده 3
برای بدست آوردن افزایش وزن Δw = [J T J + μI] −1 J T e حل کنید
در جایی که J ماتریس ژاکوبی است ، μ نرخ یادگیری است و μ در ضریب پوسیدگی β ضرب نمی شود (0 <β <1).
-
ساده 4
با استفاده از w + Δw
F (w) <F (w) سپس (بازگشت به مرحله 2)
W = w + Δw
μ = μ.β (β = 0.1) (بازگشت به مرحله 2)
دیگر
μ = μ / β (بازگشت به مرحله 2)
اگر پایان یابد
این روش کارآمد شناخته شده است و دارای کاربردی قوی برای پیش بینی بیماری سل با دقت پیش بینی است. با استفاده از این روش ، کاربران می توانند سل فعال را بر اساس داده های بیمار پس از علائم علائم بالینی مثبت یا منفی پیش بینی کنند ، از جمله سرفه ای که 3 هفته یا بیشتر طول بکشد و درد در قفسه سینه سرفه خون یا خلط (مخاط از عمق ریه ها). علائم دیگر بیماری سل ممکن است باشد. ضعف یا خستگی ، کاهش وزن ، عدم اشتها ، لرز ، تب ، تعریق در شب ( CDC Tuberculosis (TB) ، 2019 ).
داده های ورودی کاربر شامل سن ، جنسیت (مرد ، زن ، دیگر) ، نوع نمونه [استخوان ، مغز استخوان ، لاواژ برونکوآلوئولار ، مایع مغزی نخاعی (CSF) ، آسپیرات معده ، نمونه برداری از ریه ، غدد لنفاوی ، مایع پریکارد ، مایع پلور ، مایع مفصلی ، چرک ، نمونه برداری از بافت ، ادرار ، خلط] ، سابقه (پیگیری ، تشخیصی) ، وضعیت HIV (مثبت ، منفی ، ناشناخته). این مدل شامل 70٪ آموزش و 30٪ مجموعه آزمون از کل مجموعه داده ها (12636 رکورد) است که در آن نمره اعتبار سنجی با دقت 94٪ بدست آمده است.
این روش با خط MATLAB نوشته شده است که در آن صحت پیش بینی> 94٪ بر اساس ANN بدست آمده است (شکل 3) ، وابسته به مجموعه داده ها ، جایی که ورودی داده ها و لایه پنهان در دو پارامتر اساسی W (وزن) و B (واحد بایاس) طبقه بندی می شوند ، که حاوی ده مدل فرعی هستند و بر اساس دقت مجموعه داده ها ، یک خروجی واحد تولید می کنند. کاربران می توانند پس از وارد کردن اطلاعات ، سابقه و ظهور علائم و نشانه ها ، خطر سل را پیش بینی کنند.
در یک پنجره جداگانه باز کنید
شکل 3
پیش بینی شبکه عصبی مصنوعی را بر اساس داده های نرمال شده MTB نشان می دهد. از 12636 رکورد ، 70٪ آموزش بود و 30٪ آزمون بود که نمره اعتبار سنجی با دقت حدود 94٪ بدست آمد. مدل کلی دارای دقت 94.58٪ است.
قابل اعتماد و متخصص:
بحث
سل یک بیماری چالش برانگیز است. علی رغم فن آوری های پیشرفته ، تشخیص اغلب به دلیل ماهیت بیماری دشوار است ( Dheda و همکاران ، 2017 ؛ WHO ، 2017 ؛ سازمان بهداشت جهانی [WHO] ، 2018 ). تشخیص بالینی نیاز به استاندارد سازی دارد ، جایی که آزمایش های تشخیص ایمنی ممکن است به بهبود حساسیت کمک کند ، اما نه در سل نهفته و برخی از آنها فاقد خاصیت هستند ( نیوتن و همکاران ، 2008 ؛ الهاسان و همکاران ، 2016 ). Xpert MTB / RIF در صرفه جویی در وقت ما برای شناسایی MTB بوده است ، اما دهه ها فناوری های قدیمی مانند فرهنگ هنوز استاندارد باقی مانده اند. امروزه ، نبرد علیه سل هنوز هم یکی از مشکلات اصلی تشخیصی در آزمایشگاه کودکان است ( Dunn et al.، 2016) تأخیر در اطلاع رسانی و هماهنگی ضعیف در مدیریت سل ممکن است دلیلی برای تشخیص و شروع درمان غیرضروری باشد ( یاگویی و همکاران ، 2006 ؛ هتون و همکاران ، 2018 ). اگرچه روش Xpert MTB / RIF در 2 ساعت امکان تشخیص سریع را فراهم می کند ، اما در برخی از انواع نمونه ها مانند بیوپسی بافت غدد لنفاوی (سل خارج ریوی) حساسیت کلی برای رد سل کمتر از حد مطلوب است ( Creswell و همکاران ، 2014 ؛ Pandey و همکاران). ، 2017 ؛ Tadesse و همکاران ، 2018 ). عملکرد با توجه به نوع نمونه و وضعیت اسمیر باسیل اسید فست متفاوت است. بعلاوه ، استاندارد طلای آزمایش حساسیت دارویی MTB هنوز کشت در محیط های جامد است و رشد آن هفته ها تا ماه ها طول می کشد ( لین و دزموند ، 2014؛ دوکی و همکاران ، 2018 ؛ کوچ و همکاران ، 2018 ). درمان اغلب به صورت تجربی و پس از بررسی عواملی مانند تاریخچه پزشکی یا اجتماعی گذشته یا شیوع مقاومت دارویی در آن محل آغاز می شود. اینها ممکن است شروع درمان مناسب سل را که منجر به مقاومت دارویی می شود به تأخیر بیندازد ( Schaberg et al.، 1996 ؛ Melchionda et al.، 2013 ؛ Dookie et al.، 2018 ؛ Khan et al.، 2018 ). شیوع بالای مقاومت دارویی در کشورهای با سل بالا ممکن است شروع درمان مناسب را به دلیل کشت MTB در شرایط in vitro به تأخیر بیندازدکه یک روش زمان بر است. این مسائل باید از طریق مطالعات بیشتر به ویژه در مناطق دارای سل با سل زیاد رفع شود. ما در داده های سال های اخیر مقاومت به دارو را افزایش داده ایم (شکل 4) محاسبه ، اشاره به فن آوری های پیشرفته محاسباتی برای ادغام برای تشخیص در پیش بینی MTB ( خان و همکاران ، 2018 ).
شبکه های عصبی مدرن در شناخت تصاویر از اهمیت و اهمیت زیادی برخوردار شده اند ( درو و مونسون ، 2000 ، کریژفسکی و دیگران ، 2012 ؛ استوا و همکاران ، 2017 ؛ کاوشیک و ساحی ، 2018 ) ، تشخیص گفتار ( هینتون و همکاران). ، 2012 ) ، و پردازش زبان طبیعی ( سوچر و همکاران ، 2011 ). محققان دارویی شروع به استفاده از این روش ها در مراقبت های شخصی بالینی کرده اند. رتینوپاتی دیابتی همچنین از طریق روش های شبکه های عصبی عمیق ( Gulshan و همکاران ، 2016 ) و طبقه بندی سرطان های پوست شناسایی شده است ( Esteva et al.، 2017) همچنین مشخص شده است که کاربردهای چنین رویکردهایی در زیست محاسباتی و بیوانفورماتیک مانند استنباط بیان ژن هدف ( Chen و همکاران ، 2016 ) ، پیش بینی سایت های پروتئینی متصل به RNA ( Zhang و همکاران ، 2016 ) و شناسایی و پیش بینی نشانگرهای زیستی برای سن تقویمی انسان ( پوتین و همکاران ، 2016 ). برای کاهش هزینه و اتلاف وقت ، رویکردهای مختلف داده کاوی ممکن است در تشخیص و در زمان شروع درمان سل مفید باشد.
براساس گزارش جهانی WHO برای سل ، سال 2018 ، هند ، اندونزی ، چین ، فیلیپین و پاکستان پنج کشور برتر با 56 درصد شیوع سل در جهان هستند. تشخیص به موقع سل برای کاهش انتقال و شروع درمان برای بهبود نتایج بیماران سل ، به ویژه در کشورهای دارای بار زیاد ضروری است ( Yagui et al.، 2006 ؛ Dheda et al.، 2017 ).
الگوریتم های طبقه بندی و خوشه بندی در پیش بینی تشخیص سل به طور کارآمد و با دقت کافی کار می کنند. وجود داده های MTB و بیمار ممکن است چنین مدل را تا حد زیادی پشتیبانی کند. هنگام رسیدگی به مشکلات طبقه بندی بعدی ، ممکن است از رویکردهای مختلف مدل سازی استفاده شود. در کارهای قبلی از رگرسیون لجستیک چند متغیره ( Wisnivesky و همکاران ، 2005 ؛ Solari و همکاران ، 2008 ) ، درختان طبقه بندی ( Mello و همکاران ، 2006 ؛ Aguiar و همکاران ، 2012 ) و ANN ( Aguiar و همکاران ، 2013 ؛ Dande and Samant، 2018 ) برای پیش بینی سل منفی.
قابل اعتماد و متخصص:
نتیجه
شبکه های عصبی مصنوعی ممکن است به عنوان یک ابزار تشخیصی برای پیش بینی سل و پشتیبانی در گسترش نقش فناوری های رایانه ای در تشخیص برای مدیریت سریع سل استفاده شود. بنابراین ، این همبستگی زیاد (> دقت 94٪) با نتیجه تجربی تشخیص MTB ممکن است به انتخاب رژیم های درمانی بهینه ، به ویژه در کشورهای با بار بالای سل کمک کند. تاخیر در تشخیص سل و شروع درمان ممکن است باعث ظهور موارد جدیدی از طریق انتقال شود و یکی از دلایل مقاومت بالای دارویی در کشورهای با فشار بالا سل است.
اجرای پروژه های تخصصی هوش مصنوعی با مشاوره رایگان سلول پیشتاز
منبع : www.ncbi.nlm.nih.gov
ثبت نام
با ایمیل خود وارد شویدورود
