تشخيص بيماري بروسلوزيس در شهرستان رفسنجان با استفاده از شبكه هاي عصبي مصنوعي آتوانكو در عميق

The Diagnosis of Brucellosis in Rafsanjan City Using Deep Auto-Encoder Neural Networks

مقدمه: بيماري تب مالت (بروسلوزيس) يكي از مهم‌ترين بيماري‌هاي عفونيِ مشترك بين انسان و دام محسوب مي‌شود. با توجه به اندميك بودن تب مالت و وجود گزارش‌هاي متعددي از موارد انساني و حيواني آن، ميزان شيوع تب مالت انساني در شهرستان رفسنجان در طول 3 سال (97-1395) تعيين گرديد. هدف از اين مطالعه يافتن يك تطابق و همسان‌سازي روشي خودكار و هوشمندانه با حساسيت كم بر مبناي شبكه عصبي است، كه قادر به تشخيص دقيق تب مالت ‌باشد. روش: در اين مطالعه توصيفي-تحليلي موارد بروسلوز انساني بر اساس شاخص‌هاي جنس، سن، بارداري، سابقه تماس با دام و استفاده از مواد غير‌پاستوريزه لبني، پارامترهاي آزمايشگاهي Wright و 2ME در طول 3 سال از شهرستان رفسنجان واقع در جنوب ايران تحليل شد. داده‌ها به دو زير مجموعه آموزش (80%) و آزمون (20%) تقسيم شدند. از روش شبكه عصبي مصنوعي آتوانكو در عميق براي آموزش هر زير مجموعه استفاده شد. نتايج: روش آتوانكو در عميق به صحت 90/84% حساسيت 94/61% و ويژگي 50‌% در پيش‌بيني موارد بيماري بروسلوزيس در مجموعه داده‌هاي آزمون دست يافت، نتايج تجربي، عملكرد دقيق شبكه عصبي را در تشخيص بيماري بروسلوز نشان داد. نتيجه‌گيري: مدل شبكه عصبي مصنوعي عميق مي‌تواند به عنوان يك روش كارآمد و هوشمند براي تشخيص موارد بروسلوز انساني به كار گرفته شود. با اين حال مطالعه و پژوهش‌هاي بيشتري براي طراحي مدل‌هاي ديگر از شبكه‌هاي عصبي مصنوعي بر اساس يادگيري عميق جهت تشخيص ساير بيمارهاي عفوني مورد نياز است.

Introduction: Brucellosis is considered as one of the most important common infectious diseases between humans and animals. Considering the endemic nature of brucellosis and the existence of numerous reports of human and animal cases of brucellosis in Iran, the incidence of human brucellosis in Rafsanjan city was determined in the last 3 years (2016–2018). The main objective of this study was to find an automated consistent and intelligent method with low sensitivity based on a neural network which is capable of accurate detection of brucellosis disease. Methods: In this descriptive analytic study, cases of human brucellosis in Rafsanjan, south of Iran, were analyzed based on sex, age, pregnancy, history of contact with livestock and the use of non-pasteurized dairy products, Right Laboratory parameters and 2ME during 3 years (2016–2018). Data were split into two subsets of train (80%) and test (20%). The artificial neural network approach of the deep auto-encoder was used to train each subset. Results: The deep auto-encoder method achieves 94.61% sensitivity, 90.84% accuracy and 50% specificity in the diagnosis of brucellosis over the experimental data sets. The experimental results also showed the excellent performance of the proposed artificial neural network. Conclusion: The deep artificial neural network model can be used as an efficient and intelligent method to detect the human cases of brucellosis. However, further studies are required to design other models of artificial neural networks based on deep learning to detect other infectious diseases.