شیوع بیماری مزمن کلیه (CKD) هر ساله در سناریوی حاضر تحقیق افزایش می یابد. یکی از منابع مورد نیاز برای درمان بیشتر ، پیش بینی CKD است که به دلیل توانایی طبقه بندی دقیق در تکنیک های یادگیری ماشین ، در تشخیص پزشکی اهمیت بیشتری پیدا می کنند. در گذشته های اخیر ، دقت الگوریتم های طبقه بندی بستگی به استفاده صحیح از الگوریتم های انتخاب ویژگی برای کاهش اندازه داده دارد. در این مقاله ، شبکه عصبی مصنوعی اصلاح شده ناهمگن (HMANN) برای تشخیص زودرس ، تقسیم بندی و تشخیص نارسایی مزمن کلیه در بستر اینترنت اشیاء پزشکی (IoMT) ارائه شده است. علاوه بر این ، HMANN پیشنهادی به عنوان یک الگوریتم Backpropagation (BP) به عنوان یک ماشین بردار پشتیبان و چند لایه Perceptron (MLP) طبقه بندی می شود. الگوریتم پیشنهادی بر اساس تصویر سونوگرافی کار می کند که به عنوان یک مرحله پردازش مشخص شده و منطقه مورد علاقه کلیه در تصویر سونوگرافی تقسیم می شود. در تقسیم بندی کلیه ، روش پیشنهادی HMANN با دقت بالایی به دست می آید و به طور قابل توجهی زمان ترسیم کانتور را کاهش می دهد.