بزرگنمايي:

راه ترقی - مهر /پژوهشگران دانشگاه تربیت مدرس در یک مطالعه جدید، روش‌های مبتنی بر یادگیری ماشین را برای تشخیص زودهنگام قوز قرنیه توسعه داده‌اند این یافته‌ها می‌تواند به بهبود مراقبت‌های بهداشتی چشم کمک کند.
به نقل از دانشگاه تربیت مدرس، محققان گروه مهندسی فناوری اطلاعات دانشگاه تربیت مدرس با استفاده از یادگیری ماشین، راهکارهایی را برای تشخیص زودهنگام بیماری قوز قرنیه ارائه کرده‌اند. بیماری قوزقرنیه بیماری است که در آن چشم فرم طبیعی خود را از دست می دهد و مخروطی شکل می شود. تشخیص این بیماری در مراحل اولیه تنها با علائمی مثل مراجعات مکرر به چشم پزشک، تغییر شماره چشم بیمار و عدم اصلاح دید با عینک همراه است و دستگاه های تشخیص بیماری قوزقرنیه مثل پنتاکم، اورب اسکن و مقطع نگاری همدوسی بینایی امکان تشخیص خودکار افراد مستعد بیماری را ندارند.
دکتر شکوفه یراقی که این پژوهش در قالب رساله دکترای تخصصی وی در رشته مهندسی فناوری اطلاعات (مدیریت سیستم های اطلاعاتی) انجام شد، ضمن بیان این مقدمه گفت: با توجه به آنکه تشخیص افراد مستعد برای پزشکان دشوار است و این افراد اکثرا بیماری های دیگری مانند نزدیک بینی، دور بینی یا آستیگمات نیز دارند و ممکن است برای رهایی از عینک قصد انجام عمل لیزیک یا لازک را داشته باشند، در صورت عدم تشخیص بیماری و انجام عمل، ممکن است مادام العمر مجبور به استفاده از عینک شوند یا اینکه قرنیه آنها بسیار نازک شده و در گروه افراد با قوزقرنیه پیشرفته قرار گیرند که عوارض آن برای بیماران بسیار جدی است.
وی در خصوص هدف این طرح پژوهشی اظهار داشت: هدف از این پژوهش ارائه مدلی برای تشخیص زودهنگام افراد مستعد بیماری قوزقرنیه و طبقه بندی بیماران قوزقرنیه با کمک داده های چشم پزشکی است. برای ارائه مدل پیشنهادی سه سناریو مختلف برای تشخیص افراد مستعد و طبقه بندی بیماران مطرح شد. مدل پیشنهادی این پژوهش مبتی بر تلفیق چند انگارش است. انگارش اول بر اساس ترکیب استخراج ویژگی از خودرمزگذار و طبقه بندی با استفاده از مدل ترکیبی پشته ای طراحی شد. انگارش دوم مبتی بر استفاده از تصاویر نقشه ضخامت از مجموعه داده کوهورت شاهرود برای طبقه بندی بیماری است. انگارش سوم به استفاده از هفت نقشه دستگاه پنتاکم برای تشخیص بیماری اخنصاص دارد و از مدل های پیش آموزش دیده و مبدل بینایی به صورت مدل ترکیبی بهره می برد.
یراقی افزود: انگارش سوم سه رویکرد مختلف در تشخیص بیماری است؛ رویکرد اول، تغییر مبدل به شبکه پیچشی و انتقال دانش از مدل های پیش آموزش دیده است. رویکرد دوم، استخراج ویژگی های از دو مدل پیش آموزش دیده و مبدل بینایی و ادغام آنها با استفاده از یک تکنیک ادغام ویژگی ها به عنوان ورودی به یک شبکه عصبی برای طبقه بندی است. رویکرد سوم، استفاده از مدل ترکیبی مبتنی بر رأی اکثریت با استفاده از مدل های پیش آموزش دیده و مبدل بینایی می باشد.
پژوهشگر دانشگاه در تشریح نتایج گفت: انگارش اول به صحت 0.96 برای چهار طبقه و 0.98 برای تفکیک دو طبقه نرمال و فرم مخفی قوزقرنیه دست یافت. انگارش دوم نیز صحت 0.96 برای دو طبقه نرمال و قوزقرنیه را نشان داد. در انگارش سوم، رویکرد سوم به صحت 0.88 برای دو طبقه نرمال و فرم مخفی قوزقرنیه رسید.
یراقی در پایان تصریح کرد: نتایج این پژوهش می تواند به عنوان یک سیستم تصمیم یار در کنار پزشکان جهت تأیید تشخیص های آنها به کار رود. همچنین طبقه بندی بیماری می تواند منجر به فرایند درمانی متفاوتی برای هر یک از بیماران شود. تشخیص زودهنگام افراد مستعد بیماری قبل از عمل جراحی می تواند عوارض ناشی از جراحی های نامناسب نظیر لیزیک یا لازک را کاهش دهد. این امر به بهبود نتایج درمانی و کاهش ریسک های مرتبط با جراحی کمک خواهد کرد.
گفتنی است این پژوهش با راهنمایی دکتر توکتم خطیبی و مشاوره دکتر محمد مهدی سپهری در دانشکده مهندسی صنایع و سیستم های دانشگاه تربیت مدرس انجام شد.