Journal of Health and Biomedical Informatics

fa یک چارچوب هوشمند مبتنی بر انفورماتیک سلامت برای تشخیص بیماری‌های کبدی با استفاده از افزایش داده مبتنی بر شبکه مولد تخاصمی و یادگیری تجمعی An Intelligent Framework Based on Health Informatics for Diagnosing Liver Diseases Using Generative Adversarial Network-Based Data Augmentation and Ensemble Learning هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;">مقدمه: سلامت، یکی از بنیادی‌ترین ابعاد زندگی انسان است و بیماری‌های مزمن تهدیدی جدی در این حوزه محسوب می‌شوند که عوارض گسترده‌ای به‌دنبال دارند. با پیشرفت‌های سریع هوش مصنوعی، سامانه‌های تشخیص پزشکی هوشمند در زمینه تشخیص زودهنگام، کاهش هزینه‌ها و کمک به تصمیم‌گیری دقیق‌تر پزشکان توسعه چشم‌گیری یافته‌اند. با وجود کاربرد روش‌های گوناگون داده‌کاوی، پیچیدگی و ابعاد بالای داده‌های پزشکی همچنان چالش‌برانگیز است. در این میان، روش‌های یادگیری عمیق و مدل‌های مولد ابزارهایی توانمند برای تحلیل این داده‌ها هستند. روش‌کار: در این پژوهش، روشی نوین برای بهبود تشخیص بیماری‌های کبدی پیشنهاد شده است که بر پایه پیش‌پردازش و افزایش داده‌ها با استفاده از شبکه‌های مولد تخاصمی (GAN) و یادگیری تجمعی از نوع استکینگ (Stacking) قرار دارد. برای ارزیابی، از مجموعه‌داده استاندارد بیماران کبدی هند (ILPD) استفاده شد. در مرحله نخست، مدل تجمعی با اعتبارسنجی متقابل ۱۰-مرحله‌ای دقت ۷۷ درصد را به‌دست آورد. سپس، با استفاده از تکنیک افزایش داده مبتنی بر GAN، مجدداً مدل آموزش داده شد که این بار دقت چشمگیر ۹۹ درصد حاصل گردید. یافته‌ها: نتایج نشان می‌دهد که به‌کارگیری مناسب روش‌های پیش‌پردازش و افزایش داده، تأثیر بسزایی در بهبود عملکرد مدل و ارتقای دقت تشخیص زودهنگام بیماری کبد دارد. نتیجه‌گیری: چارچوب هوشمند پیشنهادی با غلبه بر چالش‌ پیچیدگی و عدم توازن داده‌های پزشکی، مدلی بسیار دقیق و قابل‌اتکا ارائه می‌دهد. این رویکرد می‌تواند به‌عنوان یک سیستم پشتیبان تصمیم‌گیری بالینی کارآمد در حوزه انفورماتیک سلامت، به متخصصان در تشخیص زودهنگام و مدیریت بهتر بیماری‌های کبدی کمک شایانی نماید.  </div> <div style="text-align: justify;">Introduction: Health is one of the fundamental aspects of human life, and chronic diseases pose a serious threat in this realm, entailing far-reaching consequences. With rapid advancements in artificial intelligence, intelligent medical diagnostic systems have seen significant development, facilitating early diagnosis, cost reduction, and more accurate clinical decision-making. Despite the application of various data mining techniques, the complexity and high dimensionality of medical data remain challenging. In this context, deep learning methods and generative models serve as powerful tools for analyzing such data. Methods: This study proposes a novel method for improving the diagnosis of liver diseases, based on data preprocessing and augmentation using Generative Adversarial Networks (GANs) alongside a stacking ensemble learning approach. The Indian Liver Patient Dataset (ILPD) was used for evaluation. In the initial phase, the ensemble model achieved an accuracy of 77% using 10-fold cross-validation. Subsequently, the model was retrained using a GAN-based data augmentation technique, yielding an impressive accuracy of 99%. Results: The results indicate that the appropriate application of preprocessing and data augmentation methods has a significant impact on improving model performance and enhancing the accuracy of early liver disease detection. Conclusion: The proposed intelligent framework successfully overcomes the challenges of complexity and data imbalance in medical datasets, delivering a highly accurate and reliable model. This approach can serve as an efficient clinical decision-support system within the field of health informatics, offering significant assistance to healthcare professionals in the early diagnosis and improved management of liver diseases.</div> شبکه مولد متخاصم, بیماری کبد, یادگیری ماشین, یادگیری عمیق, هوش مصنوعی, تشخیص بیماری Early Liver Disease Diagnosis, Deep learning, Adversarial Generating Network, Machine Learning 12 23 http://jhbmi.ir/browse.php?a_code=A-10-1181-1&slc_lang=fa&sid=1 Nazila Valizadeh نازیلا ولیزاده nazila.valizadeh76@gmail.com 100319475328460011150 100319475328460011150 No M.Sc. Student, Department of Information Technology, Faculty of Modern Science & Technology, Urmia University of Technology, Urmia, Iran دانشجوی کارشناسی ارشد، گروه مهندسی فناوری اطلاعات، دانشکده علوم و فناوری های نوین، دانشگاه صنعتی ارومیه، ارومیه، ایران Omid Reza Bolouki Speily امیدرضا بلوکی اسپیلی speily@uut.ac.ir 100319475328460011151 100319475328460011151 Yes Ph.D in Information Technology Engineering, Assistant Proffessor, Department of Information Technology, Faculty of Modern Science & Technology, Urmia University of Technology, Urmia, Iran دکتری مهندسی فناوری اطلاعات، استادیار، گروه مهندسی فناوری اطلاعات، دانشکده علوم و فناوری های نوین، دانشگاه صنعتی ارومیه، ارومیه، ایران Parviz Ghorbanzadeh پرویز قربان زاده p.ghorbanzadeh@gmail.com 100319475328460011152 100319475328460011152 No Ph. D in Artificial Intelligence, Urmia University of Technology, Urmia, Iran دکتری هوش مصنوعی، دانشگاه صنعتی ارومیه، ارومیه، ایران