بخشی از مقاله
چکیده
بیماری آرتریت که در عامیانه به آن آرتروز گفته میشود، بیماری بسیار شایعی است که در اطراف مفاصل رخ میدهد. کارهای بسیاری برای مدیریت انواع آرتروز میتوان انجام داد، اما تشخیص آرتروز در مراحل اولیه، باعث درمان ورم مفاصل و اختلالات نقص حرکت میشود، که اهمیت حیاتی دارد. در این مقاله، طراحی یک سیستم تشخیص آرتروز با استفاده از سیستم فازی-×عصبی تطابقی - ANFIS - که عملکردش معادل سیستم استنتاج فازی - FIS - است، انجام شده است. مقاله در مورد استفاده از روش فازی- عصبی، برای اندازهگیری نوع بیماری آرتروز، بحث میکند. در واقع یک راه برای طبقهبندی سطح بیماری آرتروز، ایجاد میکند. نتایج آزمایشها نشان میدهد که مدل فازی-×عصبی پیشنهادی در مقایسه با سایر روشهای مطرح تشخیص آرتروز، از عملکرد بهتری برخوردار است.
مقدمه
شایعترین بیماری مفصل در انسان آرتروز میباشد، که بیانگر نارسایی مفاصل است. بسیاری از افراد مسن به آرتروز مبتلا میشوند، اما این بیماری مختص افراد مسن نیست و حدود سه چهارم از بیماران مبتلا به آرتروز و روماتیسم مفصلی هنوز تشخیص داده نشدهاند. یکی از مشکلات مهم تشخیص پزشکی، وابستگی به متخصص است. انسان همیشه اشتباه میکند و به دلیل محدودیتهایی که دارد، اشتباه در تشخیص رخ میدهد. پزشکان هم برخی اوقات دچار خطا و اشتباه میشوند و قادر نیستند که همیشه خود را با آخرین یافتههای اطلاعات پزشکی تطبیق دهند.
با توجه به بررسی انجام شده در سال 2002 مشخص شد که، 78 پزشکان تازهکار، نمیتوانند یک طبقهبندی دقیق در مورد بیماریهای ارتوپدی، انجام دهند. در این مطالعه نشان داده شد، که انسان دارای محدودیتهای بسیاری در تشخیص است - Patil and Mudholkar, .2012 - برای حل مشکل تشخیص برخی بیماریها و یا فرموله کردن یک درمان، از مشاهدات مشخص و تجربیات گذشته استفاده میشود.
برای این منظور ارتباط بین دانشمندان پزشکی و مهندسان کامپیوتر به یک پیشرفت میان رشتهای در توسعه سیستم های هوشمند منجر شد. سیستمهای خبره پزشکی با هدف قرار دادن مهارتهای افراد متخصص، برای افراد غیر متخصص طراحی شدهاند. تاکنون سیستمهای خبره گوناگون در زمینه علوم پزشکی ارائه شده است. همواره سرعت عمل در تشخیص و درمان بیماری آرتروز، در بهبود حال بیماران بسیار مؤثر است.
در مطالعهای که در سال 2011 انجام شد، مشخص گردید که استفاده از شبکه عصبی پس انتشار خطا برای طبقهبندی و پیشبینی شدت بیماری آرتروز، بر اساس ویژگی بافت و رنگ مفاصل، به دقت 66.6 رسید - pratiwi et al, 2011 - و این آمار نشان داد که احتمال رخ دادن خطا 33.4 است، و این سیستم با خطای زیادی مواجه است. در طرح دیگری که در سال 2012 ارائه شد، اطلاعات بیماران در غالب پرسشنامه بلی/خیر 0 - یا - 1 گزارش شد و سپس به عنوان ورودی به یک شبکه عصبی پس انتشار خطا داده شد. شبکه عصبی فقط ورودیهایی از نوع کلاسیک - مقدار 0 یا - 1 را پشتیبانی میکند، در حالیکه تمام اطلاعات پزشکی بیمار، در دنیای واقعی را نمی توان به مقادیر کلاسیک تبدیل کرد. سیستم باید بتواند با مقادیر گسسته کار کند و این طرح به این دلیل ضعیف عمل نمود .
در سال 2012 در مقالهای، یک سیستم استنتاج فازی برای تعیین سطح شدت آرتروز زانو، بر اساس عوامل شناسایی شده - متغیرهای ورودی - ارائه شده است - . - Emuoyibofarhe and Taiwo, 2012 آرتروز زانو درمان ندارد، اما اگر به موقع تشخیص داده شود، میتوان آن را کنترل کرد. با این حال، علائم آرتروز زانو فقط نیاز به وارد کردن متغیرهای زبان طبیعی و مقادیر غیر دقیق دارد. نتایج بهدستآمده بر اساس انعطافپذیری و انطباقپذیری، امیدوار کننده بود. ارزیابی شدت سطح نشان میدهد که یک سیستم، به طور مؤثر میتواند علائمی پویا را برای تعیین شدت سطح بیمار مبتلا به آرتروز زانو اداره کند، و همچنین به پزشک در گرفتن میزان شدت سطوح مختلف بیماری و به بیمار در مورد آموزش نحوه مدیریت، برای جلوگیری از آسیب بیشتر به زانو کمک کند. با این حال، این طرح فقط توانست آرتروز زانو را تشخیص دهد و در تشخیص آرتروز در قسمتهای مختلف بدن ناتوان است.
در سال 2012، سینگ و همکارانش بر روی سیستم تشخیص بیماری آرتروز با استفاده از سیستم استنتاج فازی کار کردند . - singh et al, 2012 - در سیستم استنتاج فازی به عنوان ورودی 9 تا از علائم بیماری آرتروز را در نظر گرفتند؛ بر اساس قواعد سیستم استنتاج، نوع و شدت آرتروز را محاسبه کردند، خروجی تولید شده با استفاده از روش مرکز جرم بهدست آمد. با این حال، این مدل فاقد قابلیت یادگیری است، همچنین اگر تعداد متغیرهای ورودی مدل زیاد شود، انتخاب توابع عضویت، قوانین و تنظیم پارامترها بسیار مشکل خواهد بود.
در سال 2013 در طرحی Justice و همکاران، توصیف الگوی فازی برای تشخیص به موقع آرتروز زانو را ارائه دادند - . - Chetty et al, 2013 تشخیص به موقع آرتروز زانو از روشهای تهاجمی بسیار مفید خواهد بود، و نیاز به تکنیکهای تجزیه و تحلیل نوین تصویرپردازی دارد؛ تا پردازش اسکن رادیولوژی و تصویر برداری مغناطیسی - MRI - از مفاصل زانو را توسعه دهد. هدف این مقاله، پیشنهاد الگوی کوچک نوین بر پایه ویژگیهایی است، که مدل تغییرات دقیق و ظریف در MRI را توصیف میکند، بنابراین برای تسهیل در تشخیص به موقع آرتروز میباشد.
ارزیابی تجربی، بر روی پایگاه داده در دسترس عموم OAI نشان داد که ویژگیهای ارائه شده، بهبود قابل توجهی در تشخیص الگو برای نقشه MRI با وزندهی زمان استراحت T2 منظور میکند، که مربوط به افراد سالم در مقایسه با افرادی با خطر ابتلا به آرتروز میباشد. ویژگیهای الگوی پیشنهادی و توصیف منطق فازی مربوط به ویژگیها اجازه میدهد که مدلسازی بهتر الگو برای عدم قطعیت و اطلاعات ظریف در مورد تشخیص بهموقع آرتروز، به دقت تشخیص داده شود.
در مقالهای در سال 2014 تقسیم بندی تصاویر حرارتی برای بررسی بیماری روماتیسم مفصلی مطرح شد - Dhage and . - Warhade, 2014 در ده سال گذشته، یک تکنیک امیدوار کننده برای تشخیص بهموقع بیماریهای پستان، ترموگرافی مادون قرمز است. در این مقاله این تکنیک، برای تشخیص روماتیسم مفصلی - RA - مورد استفاده قرار گرفت. اگرچه روشهای تصویربرداری مختلف مانند اشعه ایکس، تصویربرداری مغناطیسی - MRI - و سونوگرافی برای تشخیص RA در دسترس می باشد. ترموگرافی، روش غیر مخرب و غیر تهاجمی است که به تماس فیزیکی بین دستگاه های اندازه گیری - دوربین - و شی اسکن شده نیاز ندارد. در نتیجه تصویربرداری حرارتی به عنوان یک تکنیک تصویربرداری برای تشخیص RA در نظر گرفته شد.
تصاویر حرارتی بیماران مبتلا به RA و افراد سالم، با استفاده از الگوریتم C میانگین فازی و بیشینهسازی امید ریاضی - Expectation Maximization - ، بخشبندی شد. الگوریتم بیشینه سازی امید ریاضی، یک روش تکرارشونده است که به دنبال یافتن برآوردی با بیشترین درست نمایی برای پارامترهای یک توزیع پارامتری است. این الگوریتم روشی متداول برای زمانهایی است که برخی از متغیرهای تصادفی، مخفی هستند.
