کبد بهعنوان یکی از حیاتیترین اندامهای بدن، نقش کلیدی در عملکردهای متابولیکی، سمزدایی، ایمنی و تنظیم ترکیبات زیستی ایفا میکند. تشخیص زودهنگام بیماریهای کبدی بهدلیل پیشرفت سریع این بیماریها و تأثیر مستقیم آنها بر کیفیت زندگی بیماران، از اهمیت بالایی برخوردار است. استفاده از روشهای یادگیری ماشین در سالهای اخیر بهعنوان راهکاری مؤثر در ارتقای دقت تشخیص پزشکی، توجه بسیاری از پژوهشگران را به خود جلب کرده است. مطالعات متعددی با بهرهگیری از الگوریتمهای یادگیری ماشین مانند جنگل تصادفی، ماشین بردار پشتیبان، نزدیکترین همسایه، پرسپترون چندلایه و مدلهای ترکیبی همچون تقویت گرادیان بر روی دادههای بیماران کبدی عمدتاً از مجموعه داده بیماران کبدی هند انجام شدهاند. این پژوهشها از روشهایی نظیر پیشپردازش دادهها، انتخاب ویژگی، تنظیم فراپارامترها و کاهش بُعد بهمنظور بهبود عملکرد مدلهای طبقهبندی استفاده کردهاند. در برخی موارد، تمرکز بر ترکیب الگوریتمهای مختلف یا بهینهسازی پارامترها بوده است، در حالی که دستهای دیگر از رویکردهای آماری و تصویری برای استخراج ویژگیهای مؤثر بهره بردهاند. با این حال، بیشتر این مطالعات نسبت به ساختارهای پنهان و روابط پیچیده میان بیماران که میتوانند حامل اطلاعات ارزشمندی برای بهبود دقت تشخیص باشند توجه کافی نداشتهاند. در این پژوهش، با هدف ارتقای دقت طبقهبندی بیماریهای کبدی، روشی نوآورانه مبتنی بر تحلیل شبکهای ارائه شده است. ابتدا گراف تشابهی میان بیماران بر اساس فاصله اقلیدسی ایجاد گردید که در آن گرهها نمایانگر بیماران و یالها بیانگر میزان شباهت میان آنها بودند. سپس الگوریتمهای تشخیص اجتماع از جمله لووین، اینفومپ، برچسب گذاری، گام های تصادفی و لیدن برای شناسایی گروههای طبیعی بیماران به کار گرفته شدند. ویژگیهای حاصل از ساختارهای جامعهای بهصورت دودویی استخراج و بهعنوان ویژگیهای مکمل به دادههای اولیه افزوده شدند. ارزیابی نهایی مدلها با بهرهگیری از اعتبارسنجی متقابل یک به یک و مجموعهای از الگوریتمهای یادگیری ماشین نشان داد که افزودن این ویژگیهای گرافمحور به دادههای بالینی، منجر به بهبود معنادار عملکرد طبقهبندی شده است. این بهبود در معیارهایی همچون دقت، یادآوری، امتیاز 1F و ضریب همبستگی متیوز بهویژه در مدلهایی مانند کیسهبندی و تقویت گرادیانی قابل مشاهده بود. نتایج بهدستآمده مؤید آن است که ویژگیهای ساختاری استخراجشده از شبکههای تشابه، حاوی اطلاعات پنهانی هستند که میتوانند نقش مؤثری در ارتقای قدرت پیشبینی سیستمهای هوشمند تشخیص بیماریهای کبدی ایفا کنند.
