پژوهشگران دانشگاه تربیت مدرس راهکاری نو برای تشخیص زودهنگام بیماری قوزقرنیه با استفاده از یادگیری ماشین ارائه دادند. این بیماری در مراحل ابتدایی با علائم처럼 چشم رفتن، تغییر فرمت چشم و تعداد تکرار مراجعه به چشم پزشک تشخیص داده می شود و فناوریهای تشخیص به مانند پنتاکم، اورب اسکن و مقطع نگاری نمی توانند تشخیص خودکار افراد را داشته باشند. این پژوهش توسط دکتر شکوفه یراقی به عنوان بخشی از رساله دکترای تخصصی خود در رشته مهندسی فناوری اطلاعات در دانشگاه تربیت مدرس انجام شد.
تخریب چشم در قوزقرنیه، شکلگیری کامرای چشم که سپس لک کردن در بخش مرکزی آن رخ می دهد که از symptom این بیماری است. افراد مبتلا به این بیماری عمدتاً علائمی مانند تعداد تکرار مراجعه به چشم پزشک، تغییر شکل چشم و عدم بهبود با عینک نشان می دهند. پیش از این نظرسنجی انجام شده نشان داده است که کل اروپا برای این بیماری قدم مقابل یک طرح مصونیت تمام اروپا برداشته است. پیشتر این بیماری خود را در هفت کشور دانستنجمید از مرکز بین المللی برای مبارزه با بیماری ها بالگردداراست.
Doktor Shakofeh Yaghoobi که این پژوهش در قالب رساله دکترای تخصصی وی در رشته مهندسی فناوری اطلاعات (مدیریت سیستم های اطلاعاتی) انجام شد، با بیان این مقدمه گفت: با توجه به آنکه تشخیص افراد مستعد برای پزشکان دشوار است و این افراد اکثرا بیماری های دیگری مانند نزدیکبینی، دوربینی 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.
دکتر Shakofeh Yaghoobi 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 انگاره است. انگاره اول بر اساس ترکیب استخراج ویژگی از خودرمزگذار و طبقه بندی با استفاده از مدل ترکیبی پشته ای طراحی شد. انگاره دوم مبتنی بر استفاده از تصاویر نقشه ضخامت از مجموعه داده کوهورت شاهرود برای طبقه بندی بیماری است. انگاره سوم به استفاده از هفت نقشه دستگاه پنتاکم برای تشخیص بیماری اختصاص دارد و از مدل های پیش آموزش دیده و مبدل بینایی به صورت مدل ترکیبی بهره می برد.
دکتر Shakofeh Yaghoobi افزود: انگاره 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 مدلهای پیش آموزش دیده و مبدل بینایی می باشد.
پژوهشگر دانشگاه تربیت مدرس در تشریح نتایج گفت: انگاره اول به صحت ۰.۹۶ برای چهار طبقه و ۰.۹۸ برای تفکیک دو طبقه نرمال و فرم مخفی قوزقرنیه دست یافت. انگاره دوم نیز صحت ۰.۹۶ برای دو طبقه نرمال و قوزقرنیه را نشان داد. در انگاره سوم، رویکرد سوم به صحت ۰.۸۸ برای دو طبقه نرمال و فرم مخفی قوزقرنیه رسید.
در نهایت دکتر Shakofeh Yaghoobi 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 ریسکهای مرتبط با جراحی کمک خواهد کرد.
یادآوری اینکه 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.