پسوریازیس یک بیماری پوستی مزمن خودایمنی است. تشخیص افتراقی پسوریازیس نیاز به صرف هزینه و زمان زیادی دارد و تشخیص نادرست و یا با تأخیر آن پیامدهای مخاطره آمیزی برای بیمار به همراه خواهد داشت.

این امر نیاز به یک سیستم فازی جهت مدیریت عدم قطعیت در علائم اولیه جهت تشخیص زودهنگام بیماری پسوریازیس، به منظور افزایش احتمال درمان آن را نشان میدهد. در این مقاله یک سیستم هوشمند فازی بر اساس پارامترهای غیرقطعی بیانگر عوامل مؤثر در ابتلا به بیماری جهت تشخیص پسوریازیس ارائه شده است. سیستم طراحی شده با استفاده از داده های واقعی بیماران مورد ارزیابی قرار گرفته است. بررسی های انجام شده نشان میدهد که روش ارائه شده در این پژوهش دارای میزان میانگین خطای ۰/۱۸۹ میباشد، که قابل رقابت با روش های موجود است. استفاده از این سیستم هوشمند جهت تشخیص زودهنگام بیماری و ارائه درمان های امیدبخش است.

بیماری پسوریازیس در صورت عدم تشخیص و درمان به موقع، احتمال پیشرفت شدید بیماری و گسترش به سمت اریترودرمی (قرمز شدن سراسری پوست) و از دست دادن آب و الکترولیت، اختلال قلبی و کلیوی و مرگ و میر بسیار افزایش می یابد. در عین حال بیماران مبتلا به پسوریازیس ممکن است دچار تخریب پیشرونده مفاصل و اختلال حرکتی شود و همچنین این بیماری به واسطه علائم قابل مشاهده، کیفیت زندگی بیمار را تحت تأثیر فراوان قرار میدهد تا جایی که تأثیر این بیماری بر شرایط روحی و جسمی بیمار قابل مقایسه با بیماری هایی همچون سرطان و دیابت است.

سیستم های تشخیص کامپیوتری برای خصوصیات چندین بیماری پوستی در چند سال گذشته استفاده شده است. پسوریازیس یک بیماری پوستی بالقوه است که تهدید کننده زندگی میباشد. ۱۲۵ میلیون نفر در سراسر جهان به این بیماری مبتلا میباشند. این مقاله به بررسی تمامی پارامترهای بالینی منطقه پسوریازیس و شاخص شدت پرداخته است. به عنوان مثال منطقه هایی از پوست که دارای زخمهای پسوریازیس است، قرمزی، جرم گرفتگی و ضخامت.

همچنین در این مقاله به نقش ارزیابی ریسک با استفاده از یک سیستم پشتیبانی تصمیم گیری برای پسوریازیس در جمعیت های بزرگ پرداخته شده است. چالش های خاصی در طراحی سیستم تشخیص کامپیوتری وجود دارد:

۱)سیستمهای یادگیری حساس به پروتکل های کسب میباشند. بنابراین اگر شرایط جمع آوری تصاویر تغییر یافته باشد نیاز به آموزش مجدد دارند.

۲)ویژگیهای مورد نیاز برای بهترین عملکرد بهینه باشد.

۳)انتخاب ویژگی یک عنصر حیاتی برای سیستم تشخیص کامپیوتری است. اگر تعداد ویژگیها بزرگ است، روش کاهش ابعاد ویژگی مانند تجزیه و تحلیل مؤلفه های اصلی ضرورت دارد. خطرات موجود در اثر بیماری پسوریازیس نشان دهندهی یک نیاز مبرم برای تشخیص کامپیوتری پسوریازیس برای تقسیم بندی، استخراج ویژگی، انتخاب ویژگی پسوریازیس میباشد.

در این مقاله یک روش کارآمد برای شناسایی تصاویر دیجیتال ضایعات پسوریازیس با استفاده از روش موجک ارائه شده است. این روش بر اساس موجک گسسته برای به دست آوردن جزئیات تصاویر طراحی شده است و برای طبقه بندی، روش تجزیه و تحلیل آماری به کار گرفته شده است. برای شناسایی تفاوت معناداری در هر گروه از پسوریازیس از پارامتر انحراف معیار و میانگین استفاده شده است. نتایج اجرای برنامه دارای صحت عملکرد %۹۵ میباشد و از آزمون T برای این محاسبات استفاده شده است. نتایج آزمون نشان داده است که میانگین تقریبی و پارامتر انحراف استاندارد را میتوان به اریترودرمی مشخص طبقه بندی از گروههای دیگر، در تطابق با مشاهدات بصری از خطا استفاده کرد. در حالی که، برای گروههای خارج از این دسته برای قسمت معیار انحراف پارامتر های افقی، عمودی و مورب میتواند مورد استفاده قرار گیرد. پارامترهای حاصل را میتوان برای طراحی سیستم به کمک کامپیوتر در تشخیص ضایعه پوستی پسوریازیس مورد استفاده قرار داد.

در مطالعه بعد یک روش منحصر به فرد از مدل شبکه عصبی مصنوعی در آموزش رابطه بین ورودی و خروجی داده ها، به صورت خطی یا غیرخطی ارائه شده است. در این مطالعه از اطلاعات و ویژگی های مفید مشخص شده توسط متخصص در روش یادگیری مورفولوژیکی برای شناسایی ضایعه پوستی استفاده شده است. در این مطالعه، تصاویر ضایعه پسوریازیس بالینی به پردازش تولید شاخص های درجه بندی پیکسل در مدل رنگ اولیه پرداخته است. این شاخص ها برای به دست آوردن بازتاب در ۹ محیط کنترل شده و سپس برای طراحی یک مدل تشخیصی ANN برای پلاک مورد استفاده قرار میگیرند. ارزیابی مدل پیشنهادی نشان داده است که دقت با بیش از %۸۰ موفقیت به دست آمده است. تصاویر پسوریازیس برای تشخیص پلاک، خالدار و اریترودرمی در این مطالعه استفاده شده است. این تصاویر و ارزیابی بالینی از دو بیمارستان محلی در مالزی، بیمارستان دانشگاه Kebangsaan مالزی و بیمارستان بسار مالکا در مالزی غرب به دست آمده است. تصاویر رنگی قرمز، سبز و آبی با استفاده از زوم دوربینهای دیجیتال، با ۷۸۶ پیکسل استفاده شده است. در مدل شبکه عصبی مصنوعی بهینه سازی شده در این کار، ورودی تنها در پیکسل غالب بر اساس شاخص درجه بندی RGB و منعکس کننده تنها اطلاعات مربوط به محل ضایعه نمونه داده ها میباشد. نتایج به دست آمده نشان میدهد تولید ویژگی بالا با میزان موفقیت %۸۵ و حساسیت %۸۸ میباشد. از سوی دیگر، اگر بهره وری به جای هزینه ترجیح داده شود، مدل ارائه شده میتواند به عنوان یک روش غیرتهاجمی انتخاب تشخیص هوشمند رنگ بر اساس ضایعه پلاکی پسوریازیس در نظر گرفته شود.

سیستم فازی پیشنهادی جهت شناسایی بیماری پسوریازیس:

در این مرحله به طراحی یک سیستم هوشمند برای تشخیص بیماری پسوریازیس با استفاده از سیستم خبره فازی پرداخته شده است که روشی سریعتر، دقیقتر و ارزانتر نسبت به روشهای دیگر میباشد. اطلاعات مورد نیاز برای طراحی این سیستم از جمله پارامترهای ورودی و خروجی سیستم، دسترسی به دادههای واقعی، مشخص کردن مجموعه ی قوانین سیستم به کمک پزشک متخصص پوست تهیه شده است. برای سیستم مورد نظر ۹ پارامتر ورودی که عوامل مؤثر در تشخیص بیماری پسوریازیس هستند و یک پارامتر خروجی که تشخیص بیماری پسوریازیس است، تعریف شده است و برای هر کدارم از پارامترهای ورودی و خروجی، عبارتهای زبانی در نظر گرفته شده است. پس از طراحی، سیستم با استفاده از ۱۴۹ دیتای بیماران مبتلا به پسوریازیس، مربوط به بیمارستان رازی مورد تست قرار میگیرد. پارامترهای ورودی و خروجی سیستم و عبارتهای زبانی آنها در جدول آمده است.

در پژوهش حاضر پارامتر «تغییرات ناخن» به عنوان یکی از پارامترهای ورودی در سیستم در نظر گرفته شده است که برای آن سه عبارت زبانی نرمال، مشکوک و زیاد تعریف شده است و تابع عضویت گوسین برای این پارامتر در نظر گرفته شده است.

متغیر «ارتریت» یکی دیگر از پارامترهای ورودی است که برای آن نیز سه عبارت زبانی نرمال، مشکوک و زیاد با تابع عضویت گوسین در نظر گرفته شده است.

متغیر «هوای سرد و خشک» دیگر پارامتر ورودی در سیستم پیشنهادی است که برای آن نیز سه عبارت زبانی نرمال، مشکوک و زیاد تعریف شده است. برای این متغیر نیز تابع عضویت گوسین در نظر گرفته شده است.

«عفونت» یکی دیگر از پارامترهای ورودی در سیستم پیشنهادی است که برای آن نیز سه عبارت زبانی نرمال، مشکوک و زیاد با تابع عضویت گوسین در نظر گرفته شده است.

«عوامل روحی» دیگر پارامتر ورودی در سیستم پیشنهادی است که برای این پارامتر نیز سه عبارت زبانی نرمال، مشکوک و زیاد تعریف شده است و تابع عضویت سیستم گوسین در نظر گرفته شده است.

متغیر «تأثیر برخی از داروها» نیز به عنوان یکی دیگر از پارامترهای ورودی در سیستم پیشنهادی در نظر گرفته شده است که برای آن سه عبارت زبانی نرمال، مشکوک و زیاد تعریف شده است. تابع عضویت سیستم برای این متغیر نیز گوسین در نظر گرفته شده است.

متغیر «وراثت» دیگر پارامتر ورودی در سیستم پیشنهادی است که برای آن دو عبارت زبانی مثبت و منفی با عضویت گوسین در نظر گرفته شده است.

متغیر «عوامل هورمونی و متابولیک» دیگر پارامتر ورودی در سیستم پیشنهادی است که برای آن نیز دو عبارت مثبت و منفی تعریف شده است و تابع عضویت سیستم گوسین در نظر گرفته شده است.

متغیر های پارامتراز دیگر یکی «نوشیدن الکل» ورودی در سیستم پیشنهادی است که برای این پارامتر نیز دو عبارت زبانی مثبت و منفی با تابع عضویت گوسین در نظر گرفته شده است.

متغیر «پدیده کوبنر» پارامتر ورودی بعدی در سیستم پیشنهادی است که با در نظر گرفتن دو عبارت زبانی مثبت و منفی و تابع عضویت گوسین.

پارامتر ورودی بعدی پارامتر است «سیگار» که برای این پارامتر نیز دو عبارت زبانی مثبت و منفی با تابع عضویت گوسین در نظر گرفته شده است.

«پارامتر چاقی» پارامتر ورودی دیگر است که دو عبارت زبانی مثبت و منفی و تابع عضویت گوسین برای آن در نظر گرفته شده است.

پارامتر «تغذیه» آخرین پارامتر ورودی در نظر گرفته شده برای سیستم پیشنهادی است با دو عبارت زبانی مثبت و منفی و تابع عضویت گوسین.

پارامتر «شناسایی بیماری پسوریازیس» پارامتر خروجی در سیستم پیشنهادی در نظر گرفته شده است که برای این پارامتر نیز دو عبارت زبانی مثبت و منفی و تابع عضویت گوسین تعریف شده است.

پس از اتمام طراحی و پیاده سازی سیستم، با استفاده از عملکرد آن ۱۴۹ دیتای گرفته شده از بیمارستان به روش رازی MSE مورد ارزیابی قرار گرفته شده است. دیتاهای استفاده شده متشکل از ۸۹ زن و ۶۸ مرد میباشد. میزان میانگین مربع خطای سیستم ۰/۱۸۹ به دست آمده است.

نتیجه گیری:

سیستم شناسایی بیماری پسوریازیس با استفاده از مطالعات گرفته شده از پزشک متخصص با مدل استنتاج فازی ممدانی طراحی شده است و با استفاده از ۱۴۹ دیتای بیماران مبتلا به پسوریازیس مورد تست قرار گرفته و خطای سیستم به روش MSE محاسبه شده است. میزان خطای سیستم ۰/۱۸۹ به دست آمده است. همچنین در مقایسه ی سیستم پیشنهادی با کارهای بررسی شده، مشاهده میشود که سیستم پیشنهادی از نظر تعیین پارامترهای ورودی و خروجی که توسط پزشک متخصص تعیین شده اند مناسبتر است و به عبارتی این بیماری از جنبه های مختلف بررسی شده و تمامی عوامل مؤثر در تشخیص بیماری پسوریازیس در نظر گرفته شده است. همچنین روش ارائه شده خطای کمتری نسبت به سیستم های دیگر دارد و این نشان دهنده ی دقت بالای سیستم پیشنهادی میباشد.