|
مدل‌های یادگیری ماشین برای پیش‌بینی تشخیص بیماری کبد
|
میترا منتظری   ، مهدیه منتظری |
|
|
|
چکیده: (5310 مشاهده) |
| سابقه
و هدف: کبد مهم‌ترین ارگان داخلی بدن می‌باشد که نقش اصلی در متابولیسم بدن دارد.
بیماری کبد را نمی‌توان به راحتی در مراحل اولیه کشف کرد زیرا کبد حتی زمانی که
قسمتی از آن نیز آسیب‌دیده باشد به درستی کار می‌کند و این خود تشخیص این بیماری
را مشکل می‌کند. ابزارهای طبقه‌بندی اتوماتیک به عنوان یک ابزار کمک تشخیص باعث
کاهش بار کاری پزشکان می‌گردد. طبقه‌بندی‌هایی که به منظور تشخیص هوشمند بیماری
کبد در این پژوهش مورد استفاده قرار گرفته است شامل دسته‌بند‌های Naïve Bayes, Trees Random Forest 1NN, AdaBoost, SVM,
می‌باشند. مواد
و روش‌ها: داده‌های مورد استفاده از سوابق 583 بیمار است که این
مجموعه داده در دانشگاه کالیفرنیا در سال 2013 به ثبت رسیده است. برای ارزیابی مدل‌های
استفاده شده از اعتبارسنجی ضرب‌دری از نوع k-لایه استفاده
شده است. 5 مدل ماشین یادگیری از نظر ویژگی، حساسیت، سطح زیر منحنی راک و دقت دسته‌بندی
مقایسه شدند. یافته‌ها: میزان دقت این 5 مدل به ترتیب 55%، 72%، 64%، 70% و 71% و
سطح زیر منحنی راک به ترتیب 72/0، 72/0، 59/0، 67/0 و 5/0 است. نتیجه‌گیری: مدل Trees Random Forest بهترین مدل ارزیابی گردید که
دارای بالاترین میزان دقت می‌باشد. از نظر سطح زیر منحنی راک مدل Trees
Random Forest و Naïve
Bayes بیش‌ترین
سطح زیر منحنی را دارا می‌باشند. لذا به‌کارگیری مدل Trees
Random Forest در زمینه تشخیص و پیش‌بینی بیماری کبد پیشنهاد می‌شود. این امر در تحقیقات
مرتبط با حوزه‌ی سلامت و به‌خصوص در تخصیص منابع درمانی برای افرادی که پرمخاطره پیش‌بینی
می‌شوند از اهمیت بالایی برخوردار است |
|
| واژه‌های کلیدی: بیماری کبد، رده بندی، پیش‌بینی، هوش مصنوعی |
|
|
متن کامل [PDF 1422 kb]
(3889 دریافت)
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
عمومى
دریافت: 1392/2/3 | پذیرش: 1393/3/7 | انتشار: 1393/6/21
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
|
| ارسال نظر درباره این مقاله |
|
|
|
