CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

استفاده از تکنیک های هوش مصنوعی برای شناسایی میزان شدت بیماری کبد چرب غیر الکلی توسط شاخص های بالینی

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۶۳ | نظرات: ۰
سال انتشار: ۱۳۹۵
کد COI مقاله: JR_JKH-11-3_003
زبان مقاله: فارسی
حجم فایل: ۷۸۸.۴۴ کیلوبایت (فایل این مقاله در ۷ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۷ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله استفاده از تکنیک های هوش مصنوعی برای شناسایی میزان شدت بیماری کبد چرب غیر الکلی توسط شاخص های بالینی

  مجتبی شهابی - دانشگاه صنعتی شاهرود دانشکده کامپیوتر و فناوری اطلاعات گروه هوش مصنوعی دانشجوی ارشد
    حمید حسن پور - دانشگاه صنعتی شاهرود دانشکده کامپیوتر و فناوری اطلاعات گروه هوش مصنوعی استاد

چکیده مقاله:

بیماری کبد چرب غیر الکلی NAFLD:Non-alcoholic fatty liver disease یکی از شایع ترین بیماری های کبدی است که شدت آن دارای سطوح مختلفی می باشد اخیرا دستگاه فیبرواسکن به عنوان یک روش غیر تهاجمی برای اندازه گیری میزان ارتجاع پذیری کبد و در نتیجه چرب بودن آن مورد استفاده قرار می گیرد هدف از این پژوهش ارایه یک روش کم هزینه و ساده برای تشخیص این بیماری از طریق علایم بالینی می باشد مواد و روش ها:در این تحقیق از یک مجموعه داده شامل 726 بیمار استفاده شد که هر یک دارای عارضه کبد چرب با شدت مختلفی بودند برای هر بیمار شدت بیماری توسط دستگاه فیبرواسکن اندازه گیری و آزمایشات بالینی و سنوگرافی نیز انجام گرفت سپس به منظور تعیین رابطه بین اطلاعات به دست آمده از بیماران و سطح بیماری از شبکه های عصبی مصنوعی استفاده شده است در نهایت به کمک تکنیک های هوش مصنوعی روشی برای استخراج قانون از شبکه های عصبی مصنوعی برای نمایش ارتباط بین داده ها استفاده شده است نتایج بر اساس نتایج به دشت آمده از دستگاه فیبرواسکن از بین 726 بیمار موجود 5 مورد در کلاس F4 23 مورد در کلاس F3 132 مرد در کلاس F2 151 مورد در کلاس F1 415 مورد در کلاس F0 افراد سالم قرار می گیرند طبق روش پیشنهادی دقت در شناسایی نمونه های هر کلاس به ترتیب 100% برای کلاس F4 99/315برای کلاس F3 93/94% برای کلاس F2 80/58% برای کلاس F1می باشد بر این اساس این روش می تواند نمونه های دسته های F4وF3 را به صورت ایده آل و نمونه های دسته های F2وF1 را با دقت خوبی شناسایی کند نتیجه گیری:نتایج حاصل از این تحقیق نشان می دهد که روش پیشنهادی قادر است علاوه بر صرف هزینه کمتر و قابلیت دسترسی آسان تر در شناسایی بیماری کبد چرب غیر الکلی NAFLD نحوه تشخیص بیماری و شرایط هر سطح بیماری را در قالب مجموعه قوانینی برای تشخیص بیماری بدن ادامه نیاز به شبکه عصبی برای پزشکان تعیین نماید

کلیدواژه‌ها:

تشخیص بیماری،بیماری کبد چرب غیر الکلی،پارامترهای بالینی،شبکه های عصبی مصنوعی،استخراج قانون

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-JR_JKH-JR_JKH-11-3_003.html
کد COI مقاله: JR_JKH-11-3_003

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
شهابی, مجتبی و حمید حسن پور، ۱۳۹۵، استفاده از تکنیک های هوش مصنوعی برای شناسایی میزان شدت بیماری کبد چرب غیر الکلی توسط شاخص های بالینی، فصلنامه دانش و تندرستی 11 (3)، https://www.civilica.com/Paper-JR_JKH-JR_JKH-11-3_003.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (شهابی, مجتبی و حمید حسن پور، ۱۳۹۵)
برای بار دوم به بعد: (شهابی و حسن پور، ۱۳۹۵)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۶۰۷۷
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.