ارائه راهکار‌های تشخیص زودهنگام بیماری قوزقرنیه بر پایه یادگیری ماشین

به گزارش گروه دانشگاه خبرگزاری دانشجو، بیماری قوزقرنیه بیماری است که در آن چشم فرم طبیعی خود را از دست می‌دهد و مخروطی شکل می‌شود. 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 دستگاه‌های 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 سیستم‌های اطلاعاتی) انجام شد، ضمن بیان این مقدمه گفت: با توجه به آنکه تشخیص افراد مستعد برای پزشکان دشوار است و این افراد اکثرا بیماری‌های 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 داده‌های 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 پشته‌ای 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 مدل‌های پیش آموزش دیده و مبدل بینایی به صورت مدل ترکیبی بهره می‌برد.

دکتر یراقی افزود: انگارش سوم سه رویکرد مختلف در تشخیص بیماری است؛ رویکرد اول، تغییر مبدل به شبکه پیچشی و انتقال دانش از مدل‌های پیش آموزش دیده است. رویکرد دوم، استخراج ویژگی‌های از دو مدل پیش آموزش دیده و مبدل بینایی و ادغام آنها با استفاده از یک تکنیک ادغام ویژگی‌ها به عنوان ورودی به یک شبکه عصبی برای طبقه بندی است. رویکرد سوم، استفاده از مدل ترکیبی مبتنی بر رأی اکثریت با استفاده از مدل‌های پیش آموزش دیده و مبدل بینایی می‌باشد.

پژوهشگر دانشگاه در تشریح نتایج گفت: انگارش اول به صحت ۰.۹۶ برای چهار طبقه و ۰.۹۸ برای تفکیک دو طبقه نرمال و فرم مخفی قوزقرنیه دست یافت. انگارش دوم نیز صحت ۰.۹۶ برای دو طبقه نرمال و قوزقرنیه را نشان داد. در انگارش سوم، رویکرد سوم به صحت ۰.۸۸ برای دو طبقه نرمال و فرم مخفی قوزقرنیه رسید.

دکتر یراقی در پایان تصریح کرد: نتایج این پژوهش می‌تواند به عنوان یک سیستم تصمیم یار در کنار پزشکان جهت تأیید تشخیص‌های آنها به کار رود. همچنین طبقه بندی بیماری می‌تواند منجر به فرایند درمانی متفاوتی برای هر یک از بیماران شود. تشخیص زودهنگام افراد مستعد بیماری قبل از عمل جراحی می‌تواند عوارض ناشی از جراحی‌های نامناسب نظیر لیزیک یا لازک را کاهش دهد. این امر به بهبود نتایج درمانی و کاهش ریسک‌های 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 سیستم‌های دانشگاه تربیت مدرس انجام شد.