مروری روایی از کاربرد هوش مصنوعی در پیشبینی ریسک مرگ جنین…

چکیده مقاله

مقدمه مرگ جنین و اختلالات رشد جنینی از علل اصلی مرگ و میر نوزادان در سراسر جهان هستند تشخیص زودهنگام عوامل خطر می تواند به مداخلات به موقع و کاهش این آمار کمک کند در سالهای اخیر استفاده از هوش مصنوعی AI و یادگیری ماشین ML در حوزه مامایی و زنان به طور چشمگیری افزایش یافته است روش: کار مطالعه به صورت مرور روایی انجام شد جمع آوری اطلاعات از پایگاه های داده Google Scholar، Web of Science، Scopus، PubMed و منابع داخلی از جمله SID و Magiran در بازه زمانی ۲۰۱۰ تا ۲۰۲۵ انجام شد کلیدواژه های شامل Machine Learning ، Artificial Intelligence ، Prenatal diagnosis ، Fetal abnormalities ، Stillbirth ، Fetal mortality ، Deep Learning و معادل فارسی آنها بودند یافته ها: ۱ مدل های یادگیری ماشین قادر به تحلیل داده های پیچیده بالینی مانند فشار خون، قند خون، سن مادر، و نتایج سونوگرافی هستند این مدل ها می توانند الگوهای پنهان را شناسایی کرده و ریسک مرگ جنین را پیشبینی کنند، مثل مدل های Random Forest ۲ تحلیل داده های کاردیوتوکوگرافی CTG : مدل های یادگیری عمیق مانند شبکه های عصبی کانولوشنی CNN و همچنین مدل های XGBoost در تحلیل سیگنال های CTG و پیش بینی وضعیت سلامت جنین کاربرد دارند ۳ مدل های یادگیری عمیق برای پیشبینی وضعیت سلامت جنین: مدل های یادگیری عمیق مانند CNN و LSTM برای تحلیل داده های تصویری و زمانی قادر به شناسایی ناهنجاری های ساختاری و اختلالات رشد جنینی هستند ۴ مدل های تفسیر پذیر و قابل اعتماد: مدل هایی مانند SHAP و LIME به منظور تفسیر تصمیمات مدل های یادگیری ماشین و شفاف سازی عوامل موثر در پیشبینی ریسک جنینی توسعه یافته اند نتیجه گیری: استفاده از هوش مصنوعی و یادگیری ماشین در پیشبینی ریسک مرگ جنین و اختلالات جنینی پتانسیل بالایی دارد با این حال برای استفاده گسترده از این تکنولوژی ها در بالین نیاز به تحقیقات بیشتر، توسعه مدل های تفسیر پذیر، و همکاری میان متخصصان داده و بالینی است

کلیدواژه‌ها

مرگ جنین هوش مصنوعی اختلالات جنینی ماشین یادگیری Artificial Intelligence Machine Learning الگوریتم یادگیری عمیق یادگیری مبتنی بر مجموعه درخت تصمیم الگوریتم یادگیری مبتنی بر تقویت درخت تصمیم تحلیل و تشخیص داده های تصویری حافظه کوتاه مدت بلند مدت مدل یادگیری ماشین بر اساس سهم هر ویژگی در پیش بینی ماشین یادگیری بر اساس توضیح پیش بینی ها در سطح محلی