Caspian Journal of Scientometrics

fa مطالعه علم‌سنجی روش‌های یادگیری ماشین و یادگیری عمیق برای تشخیص بیماری کبد چرب غیرالکلی در تصویربرداری پزشکی A Scientometric Study of Machine Learning and Deep Learning Methods for Non-Alcoholic Fatty Liver Disease Detection in Medical Imaging علم سنجی Scientometrics اصیل Orginal <div style="text-align: justify;">سابقه و هدف: این پژوهش با هدف ترسیم چشم‌انداز تحقیقات مرتبط با تشخیص کبد چرب غیرالکلی (NAFLD) با استفاده از روش‌های تصویربرداری پزشکی مانند سونوگرافی، تصویربرداری تشدید مغناطیسی (MRI) و توموگرافی کامپیوتری (CT) از طریق رویکردهای یادگیری ماشینی و یادگیری عمیق انجام شده است. مواد و روش‌ها: در این مطالعه توصیفی، تحلیل علم‌سنجی بر روی انتشارات نمایه‌شده در پایگاه‌های اطلاعاتی Web of Science، IEEE Xplore، Scopus و PubMed انجام گرفت. از ترکیب کلمات کلیدی مرتبط با یادگیری ماشینی، یادگیری عمیق و تشخیص کبد چرب غیرالکلی در تصویربرداری پزشکی برای شناسایی مقالات استفاده شد. تمرکز این تحلیل بر شناسایی روندهای انتشار، توزیع جغرافیایی و منابع اصلی تحقیق بود. یافته‌ها: نتایج نشان‌دهنده افزایش چشمگیر کاربرد تکنیک‌های یادگیری ماشینی و یادگیری عمیق در تشخیص کبد چرب غیرالکلی، به‌ویژه در دهه اخیر است. ایالات متحده، چین و هند به‌عنوان بزرگترین مشارکت‌کنندگان در این حوزه شناخته شدند. همچنین، اهمیت همکاری‌های بین‌المللی در پیشبرد این زمینه تحقیقاتی، از یافته‌های برجسته این مطالعه است. همکاری بین دانشگاه‌های برتر و گروه‌های تحقیقاتی بین‌المللی نقش کلیدی در پیشرفت این پژوهش‌ها ایفا کرده است. نتیجه‌گیری: این تحلیل علم‌سنجی نشان می‌دهد که هوش مصنوعی به‌سرعت در حال تغییر چشم‌انداز تشخیص بیماری NAFLD است. اگرچه پژوهش‌های اخیر به دقت‌های تشخیصی چشمگیری، به‌ویژه در مدل‌های یادگیری عمیق، دست یافته‌اند، اثرگذاری واقعی این فناوری در عمل بالینی به عواملی فراتر از عملکرد عددی وابسته است. روندهای پژوهشی حاکی از حرکت تدریجی از مدل‌های صرفاً دقیق به سوی سامانه‌های قابل‌تفسیر، قابل‌اعتماد و قابل‌پیاده‌سازی در بالین هستند. این نتایج بیانگر آن است که آینده تشخیص مبتنی بر هوش مصنوعی در NAFLD، در هم‌راستاسازی نوآوری فناورانه با نیازهای واقعی بالینی نهفته است؛ مسیری که می‌تواند به تشخیص‌های عادلانه‌تر و کارآمدتر منجر شود.</div> <div style="text-align: justify;">Background and aim: This study aims to map the landscape of research related to the detection of non-alcoholic fatty liver disease (NAFLD) using various medical imaging techniques, including ultrasound, MRI, and CT scan, through machine learning and deep learning. Materials and methods: The scientometric analysis for scientific publications indexed in databases like WoSCC, IEEE Xplore, Scopus and PubMed was done in this descriptive study. The combination of keywords was utilized to identify articles on machine learning, deep learning, and NAFLD detection in medical imaging. The focus in this analysis was on identifying publication trends, geographic distribution, and major sources of research. Findings: The findings indicated a remarkable increase in the use of machine learning and deep learning techniques for NAFLD detection, especially in the last decade. The United States, China, and India emerged as the biggest contributors in this field. Another interesting finding is related to the importance of international collaboration for the advancement of this field. The collaboration between top universities and international research groups played a very important role in the advancement of research in this field. Conclusion: According to this scientometric analysis, artificial intelligence is revolutionizing NAFLD diagnosis. Although recent research has reached a noteworthy diagnostic accuracy, especially regarding deep learning, the real-world clinical impact is limited by factors beyond just numerical performance. Research is now shifting focus from mere accuracy to developing interpretable, trustworthy, and clinically applicable models. These results indicate that future AI-driven diagnosis of NAFLD must align technological innovation with practical clinical needs to achieve faster and fairer diagnoses.</div> یادگیری ماشین, یادگیری عمیق, بیماری کبد چرب غیرالکلی, تصویربرداری پزشکی Machine Learning (ML), Deep Learning (DL), Non-Alcoholic Fatty Liver Disease (NAFLD), Medical imaging 12 25 http://cjs.mubabol.ac.ir/browse.php?a_code=A-10-497-1&slc_lang=fa&sid=1 A'adel Sayyahi عادل سیاحی A-Sayyahi@stu.scu.ac.ir 10031947532846004755 0009-0005-3855-3430 No Department of Computer Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران Seyed Enayatallah Alavi سید عنایت الله علوی Se.Alavi@scu.ac.ir 10031947532846004756 10031947532846004756 Yes Department of Computer Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران Morteza Jaderian مرتضی جادریان m.jaderyan@scu.ac.ir 10031947532846004757 10031947532846004757 No Department of Computer Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران