Designing a Clinical Decision Support System Based on Artificial Neural Network for Early Detection of Prostate Cancer and Differentiation From Benign Prostatic Hyperplasia
Year: 2012
Type: article
Abstract: مقدمه: در سال‌های اخیر مفاهیم شبکه‌های عصبی مصنوعی در کشف اولیه و طبقه‌بندی بیماری‌ها متحمل پیشرفت‌های فراوانی شده است. استفاده از شبکه‌های عصبی به دلیل توانایی‌های بالقوه‌ی آن درکاربردهای پزشکی و در پیدا کردن کنش بین متغیرها، تشخیص و مدل‌سازی بیماری‌ها به طور وسیعی مقبول واقع شده است. هدف از این پژوهش، طراحی و پیاده‌سازی سیستم تصمیمیار مبتنی بر شبکه‌های عصبی مصنوعی به منظور کشف اولیه‌ی سرطان پروستات بود. روش بررسي: پژوهش حاضر از نوع کاربردی و جامعه‌ی هدف آن متشکل از 360 بیمار مبتلا به ناهنجاری‌های پروستات بودند که در فواصل سال‌های 90-1388 به بخش اورولوژی بیمارستان امام خمینی (ره) شهر تهران مراجعه نمودند. در این پژوهش به منظور ارزیابی عملکرد سیستم طراحی شده، از شاخص‌های حساسیت، ویژگی و صحت در طبقه‌بندی استفاده گردید. در طراحی هسته‌ی محاسباتی سیستم تصمیمیار بالینی در کشف اولیه‌ی سرطان پروستات از بزرگی خوش‌خیم آن، از الگوریتم شبکه‌ی عصبی گرادیان توأم مدرج (Scaled conjugate gradient) استفاده شد. يافته‌ها: شاخص‌های عملکردی این سیستم، ویژگی و حساسیت بودند و عملکرد سیستم تصمیمیار بالینی پیشنهاد شده بر اساس این شاخص‌ها به ترتیب عبارت از 06/97 و 11/92 درصد بود. نتایج سیستم تصمیمیار در تشخیص و طبقه‌بندی بیماری‌های نئوپلازی پروستات، حاکی از پتانسیل بالای سیستم‌های مبتنی بر شبکه‌های عصبی به عنوان ابزاری قوی در طبقه‌بندی ناهنجاری‌های پروستات بود. نتيجه‌گيري: در این پژوهش یک سیستم تصمیمیار پزشکی با هدف یاری رساندن به متخصصین در تشخیص و طبقه‌بندی بیماری‌های نئوپلازی پروستات طراحی گردید. سیستم‌های هوشمند پزشکی بر مبنای هوش مصنوعی و به خصوص شبکه‌های عصبی، می‌توانند به پزشکان در تشخیص دقیق سرطان پروستات و بزرگی خوش‌خیم آن کمک نمایند. با استفاده از این سیستم‌ها، بیوپسی‌های غیر ضروری و هزینه‌های تشخیصی کاهش می‌یابد. به علاوه، این سیستم‌ها می‌توانند در به حداقل رساندن زمان فرایندهای تشخیصی بیماری‌ها مؤثر واقع شوند. واژه‌‌هاي کليدي: سیستم تصمیمیار؛ سرطان پروستات؛ شبکه‌ی عصبی مصنوعی؛ حساسیت؛ ویژگی
Language: English
Subfield: Health Information Management
Field: Health Professions
Domain: Health Sciences
Open Access status: green
OpenAlex ID: W2306293555