اکثر مکاتبات کومش از طریق ایمیل سایت می باشد.
لطفا Spam ایمیل خود را نیز چک نمایید.
   [صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: جلد 22، شماره 1 - ( زمستان 1398: 1-201 1398 ) ::
جلد 22 شماره 1 صفحات 107-113 برگشت به فهرست نسخه ها
مدل طبقه‌بندی مبتنی بر سیستم استنتاج فازی ممدانی برای تشخیص اختلال تیروئید
نگار اسعدسجادی ، حسین محجوب ، شیوا برزویی ، مریم فرهادیان
چکیده:   (471 مشاهده)
هدف: طبقه‌بندی و پیش‌بینی یکی از مهم‌ترین کاربردهای روش‌های آماری در حوزه‌ی پزشکی است. با توجه به این‌که طبقه‌بندی‌های مبتنی بر مدل‌های کلاسیک عمدتاً بر اساس علائم بالینی موجود بوده و از اطلاعات و دانش افراد متخصص استفاده نمی‌شود، بنابراین استفاده از یک طبقه‌بندی‌کننده که برای طبقه‌بندی بیماری قادر به ترکیب اطلاعات موجود باشد، ضرورت دارد. لذا هدف از این پژوهش طراحی یک سیستم پشتیبان تصمیم‌گیری برای طبقه‌بندی اختلال تیروئید با استفاده از رویکرد منطق فازی است.
مواد و روشها: مجموعه داده‌ها شامل اطلاعات 310 نفر بود که برای بررسی وضعیت بیماری تیروئید خود به بیمارستان شهید بهشتی و کلینیک امام خمینی (ره) همدان در سال 1396 مراجعه کرده‌اند. از این تعداد 105 نفر سالم، 150 نفر کم‌کاری تیروئید و ۵5 نفر پر‌کاری تیروئید داشته‌اند. در این سیستم فازی از متغیرهای سن و BMI و هم‌چنین تست‌های آزمایشگاهی از قبیل TSH، T4 و T3، نمره‌ی علائم پرکاری تیروئید و نمره‌ی علائم کم‌کاری تیروئید به عنوان پارامترهای ورودی و متغیرخروجی نیز وضعیت سلامت فرد را نشان می‌دهد و شامل سه حالت سالم، کم‌کاری تیروئید و پر‌‌کاری است. در مدل طبقه فازی طراحی شده مدل استنتاج ممدانی max-min و روش غیر فازی‌سازی مرکز ثقل (Centroid) با به‌کار‌گیری جعبه ابزار فازی در نرم‌افزار MATLAB.2013 استفاده شده است.
یافتهها: مدل طبقه‌بندی فازی مبتنی بر قواعد اگر آنگاه در هر دو مجموعه‌ی تست و آموزش بر اساس شاخص‌هایی از قبیل مساحت زیر منحنی راک، دقت، حساسیت و ویژگی از عملکرد بسیار خوبی برای پیش‌بینی اختلال تیروئید برخوردار است.
نتیجهگیری: سیستم‌های طبقه‌بندی فازی مبتنی بر قوانین اگر-آنگاه، با به‌کارگیری مجموعه‌هایی که قابلیت هم‌پوشانی دارند، پتانسیل بالایی برای مدیریت عدم قطعیت مرتبط با تشخیص پزشکی دارند. هم‌چنین با فراهم کردن امکان استفاده از متغیرهای زبانی در فرآیند تصمیم‌گیری و طراحی، تفسیر‌پذیری نتایج را برای پزشکانی که با مفاهیم مدل‌سازی آشنایی ندارند،  بهبود بخشیده است.
 
واژه‌های کلیدی: بیماری تیروئید، کم‌کاری تیروئید، پرکاری تیروئید، طبقه‌بندی، منطق فازی
متن کامل [PDF 778 kb]   (146 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: عمومى
دریافت: ۱۳۹۷/۱۱/۲ | پذیرش: ۱۳۹۸/۲/۲۴ | انتشار: ۱۳۹۸/۱۰/۱۴
فهرست منابع
1. [1] Dayan CM. Interpretation of thyroid function tests. The Lancet 2001; 357: 619-624. [DOI:10.1016/S0140-6736(00)04060-5]
2. [2] Monaco F. Classification of thyroid diseases: suggestions for a revision. J Clin Endocrinol Metab 2003; 88: 1428-1432. [DOI:10.1210/jc.2002-021260] [PMID]
3. [3] Khiew KF, Wang TI, Lin MYS, Jiang Y. Prediction of hypothyroidism disease by data mining technique. J Data Sci 2016; 14: 97-116.
4. [4] Razia S, Narasinga Rao MR. Machine learning techniques for thyroid disease diagnosis - a review. Indian J Sci Technol 2016; 9. [DOI:10.17485/ijst/2016/v9i28/93705]
5. [5] Farhadian M, Mahjub H, Poorolajal J, Moghimbeigi A, Mansoorizadeh M. Predicting 5-year survival status of patients with breast cancer based on supervised wavelet method. Osong Public Health Res Perspect 2014; 5: 324-332. [DOI:10.1016/j.phrp.2014.09.002] [PMID] [PMCID]
6. [6] Kazemi M, Moghimbeigi A, Kiani J, Mahjub H, Faradmal J. Diabetic peripheral neuropathy class prediction by multi category support vector machine model: a cross-sectional study. Epidemiol Health 2016; 38: e2016011. (Persian). [DOI:10.4178/epih.e2016011] [PMID] [PMCID]
7. [7] Aliabadi M, Farhadian M, Darvishi E. Prediction of hearing loss among the noise-exposed workers in a steel factory using artificial intelligence approach. Int Arch Occup Environ Health 2015; 88: :779-787. [DOI:10.1007/s00420-014-1004-z] [PMID]
8. [8] Farhadian M, Salemi F, Saati S, Nafisi N. Dental age estimation using the pulp-to-tooth ratio in canines by neural networks. Imaging Sci Dent 2019; 49: 19-26. [DOI:10.5624/isd.2019.49.1.19] [PMID] [PMCID]
9. [9] Zadeh LA. Fuzzy sets. Information and control. 1965; 8: 338-353. [DOI:10.1016/S0019-9958(65)90241-X]
10. [10] Zadeh LA. The concept of a linguistic variable and its applications to approximate reasoning. Tech Rep Memorandum ERL-M 1973; 411. [DOI:10.1007/978-1-4684-2106-4_1]
11. [11] Krisnaiah V, Srinivas M, Narsimha G, Subhash Chandra N. Diagnosis of heart disease patients using fuzzy classification technique. Int Confer Comput Commun Technol 2014. [DOI:10.1109/ICCCT2.2014.7066746]
12. [12] Mohammadpour RA, Abedi SM, Bagheri S, Ghaemian A. Fuzzy rule-based classification system for assessing coronary artery disease. Comput Math Methods Med 2015; 2015: 564867. [DOI:10.1155/2015/564867] [PMID] [PMCID]
13. [13] Rahmani Katigari M, Ayatollahi H, Malek M, Kamkar Haghighi M. Fuzzy expert system for diagnosing diabetic neuropathy. World J Diabetes 2017; 15: 80-88. [DOI:10.4239/wjd.v8.i2.80] [PMID] [PMCID]
14. [14] Neshat M, Yaghobi M. Designing a Fuzzy expert system of diagnosing the hepatitis B intensity rate and comparing it with adaptive neural network Fuzzy system. Proc World Cong Engin Computer Sci 2009.
15. [15] Doost Hoseini E, Hassanpour-ezatti M, Navidi HR, Abachi T. A Fuzzy expert system for prescribing atorvastatin optimum dose. Koomesh 2012; 13: 43-50.
16. [16] Phuong NH, Kreinovich V. Fuzzy Logic and its Applications in Medicine. Int J Med Inform 2001; 62: 165-173. [DOI:10.1016/S1386-5056(01)00160-5]
17. [17] Asuncion A, Newman D. UCI machine learning repository. 2007.
18. [18] N Assad Sajadi, S Borzouei, H Mahjub, M Farhadian. Diagnosis of hypothyroidism using a fuzzy rule-based expert system. 2018. (In Press). https://doi.org/10.1016/j.cegh.2018.11.007 [DOI:10.1016/j.cegh.2018.11.007.]
19. [19] Vahidi M. Karimi A. Designing an expert system for diagnosis of thyroid disease. 4th international Conference research in science and technology; Saint Petersburg Russia 2016.
20. [20] Baydaa SB Alyas. Design an intelligent system for thyroid diseases diagnosis. Int J Enhanced Res Sci Technol Engin 2014; 4: 217-229.
21. [21] Kesen U, Emre C, Sarıkas A. Generating an artificial intelligent system to diagnosing thyroid gland related diseases using Fuzzy logic and neural network. Acad Plotform 2014.
22. [22] Mohamadi Basatini F, Chinipardaz Z, SeyedTabib M. Determination of thyroid gland state in referrals from Ahvaz university Jah ad laboratory: using multilayer perceptron neural network discrimination in comparing with classical discrimination methods. Jondishapour 2013; 4: 11-21. (Persian).
23. [23] Khanale P, Ambilwade R. A fuzzy inference system for diagnosis of hypothyroidism. J Artific Intell 2011; 4: 45-54. [DOI:10.3923/jai.2011.45.54]
24. [24] Keles A, Keles A. ESTDD: Expert system for thyroid diseases diagnosis. Exp Syst Appl 2008; 34: 242-246. [DOI:10.1016/j.eswa.2006.09.028]
25. [1] Dayan CM. Interpretation of thyroid function tests. The Lancet 2001; 357: 619-624. [DOI:10.1016/S0140-6736(00)04060-5]
26. [2] Monaco F. Classification of thyroid diseases: suggestions for a revision. J Clin Endocrinol Metab 2003; 88: 1428-1432. [DOI:10.1210/jc.2002-021260] [PMID]
27. [3] Khiew KF, Wang TI, Lin MYS, Jiang Y. Prediction of hypothyroidism disease by data mining technique. J Data Sci 2016; 14: 97-116.
28. [4] Razia S, Narasinga Rao MR. Machine learning techniques for thyroid disease diagnosis - a review. Indian J Sci Technol 2016; 9. [DOI:10.17485/ijst/2016/v9i28/93705]
29. [5] Farhadian M, Mahjub H, Poorolajal J, Moghimbeigi A, Mansoorizadeh M. Predicting 5-year survival status of patients with breast cancer based on supervised wavelet method. Osong Public Health Res Perspect 2014; 5: 324-332. [DOI:10.1016/j.phrp.2014.09.002] [PMID] [PMCID]
30. [6] Kazemi M, Moghimbeigi A, Kiani J, Mahjub H, Faradmal J. Diabetic peripheral neuropathy class prediction by multi category support vector machine model: a cross-sectional study. Epidemiol Health 2016; 38: e2016011. (Persian). [DOI:10.4178/epih.e2016011] [PMID] [PMCID]
31. [7] Aliabadi M, Farhadian M, Darvishi E. Prediction of hearing loss among the noise-exposed workers in a steel factory using artificial intelligence approach. Int Arch Occup Environ Health 2015; 88: :779-787. [DOI:10.1007/s00420-014-1004-z] [PMID]
32. [8] Farhadian M, Salemi F, Saati S, Nafisi N. Dental age estimation using the pulp-to-tooth ratio in canines by neural networks. Imaging Sci Dent 2019; 49: 19-26. [DOI:10.5624/isd.2019.49.1.19] [PMID] [PMCID]
33. [9] Zadeh LA. Fuzzy sets. Information and control. 1965; 8: 338-353. [DOI:10.1016/S0019-9958(65)90241-X]
34. [10] Zadeh LA. The concept of a linguistic variable and its applications to approximate reasoning. Tech Rep Memorandum ERL-M 1973; 411. [DOI:10.1007/978-1-4684-2106-4_1]
35. [11] Krisnaiah V, Srinivas M, Narsimha G, Subhash Chandra N. Diagnosis of heart disease patients using fuzzy classification technique. Int Confer Comput Commun Technol 2014. [DOI:10.1109/ICCCT2.2014.7066746]
36. [12] Mohammadpour RA, Abedi SM, Bagheri S, Ghaemian A. Fuzzy rule-based classification system for assessing coronary artery disease. Comput Math Methods Med 2015; 2015: 564867. [DOI:10.1155/2015/564867] [PMID] [PMCID]
37. [13] Rahmani Katigari M, Ayatollahi H, Malek M, Kamkar Haghighi M. Fuzzy expert system for diagnosing diabetic neuropathy. World J Diabetes 2017; 15: 80-88. [DOI:10.4239/wjd.v8.i2.80] [PMID] [PMCID]
38. [14] Neshat M, Yaghobi M. Designing a Fuzzy expert system of diagnosing the hepatitis B intensity rate and comparing it with adaptive neural network Fuzzy system. Proc World Cong Engin Computer Sci 2009.
39. [15] Doost Hoseini E, Hassanpour-ezatti M, Navidi HR, Abachi T. A Fuzzy expert system for prescribing atorvastatin optimum dose. Koomesh 2012; 13: 43-50.
40. [16] Phuong NH, Kreinovich V. Fuzzy Logic and its Applications in Medicine. Int J Med Inform 2001; 62: 165-173. [DOI:10.1016/S1386-5056(01)00160-5]
41. [17] Asuncion A, Newman D. UCI machine learning repository. 2007.
42. [18] N Assad Sajadi, S Borzouei, H Mahjub, M Farhadian. Diagnosis of hypothyroidism using a fuzzy rule-based expert system. 2018. (In Press). https://doi.org/10.1016/j.cegh.2018.11.007 [DOI:10.1016/j.cegh.2018.11.007.]
43. [19] Vahidi M. Karimi A. Designing an expert system for diagnosis of thyroid disease. 4th international Conference research in science and technology; Saint Petersburg Russia 2016.
44. [20] Baydaa SB Alyas. Design an intelligent system for thyroid diseases diagnosis. Int J Enhanced Res Sci Technol Engin 2014; 4: 217-229.
45. [21] Kesen U, Emre C, Sarıkas A. Generating an artificial intelligent system to diagnosing thyroid gland related diseases using Fuzzy logic and neural network. Acad Plotform 2014.
46. [22] Mohamadi Basatini F, Chinipardaz Z, SeyedTabib M. Determination of thyroid gland state in referrals from Ahvaz university Jah ad laboratory: using multilayer perceptron neural network discrimination in comparing with classical discrimination methods. Jondishapour 2013; 4: 11-21. (Persian).
47. [23] Khanale P, Ambilwade R. A fuzzy inference system for diagnosis of hypothyroidism. J Artific Intell 2011; 4: 45-54. [DOI:10.3923/jai.2011.45.54]
48. [24] Keles A, Keles A. ESTDD: Expert system for thyroid diseases diagnosis. Exp Syst Appl 2008; 34: 242-246. [DOI:10.1016/j.eswa.2006.09.028]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Asaad Sajadi N, Mahjub H, Borzouei S, Farhadian M. Thyroid disorder diagnosis based on Mamdani fuzzy inference system classifier. koomesh. 2020; 22 (1) :107-113
URL: http://koomeshjournal.semums.ac.ir/article-1-5453-fa.html

اسعدسجادی نگار، محجوب حسین، برزویی شیوا، فرهادیان مریم. مدل طبقه‌بندی مبتنی بر سیستم استنتاج فازی ممدانی برای تشخیص اختلال تیروئید. كومش. 1398; 22 (1) :107-113

URL: http://koomeshjournal.semums.ac.ir/article-1-5453-fa.html



جلد 22، شماره 1 - ( زمستان 1398: 1-201 1398 ) برگشت به فهرست نسخه ها
کومش Koomesh
Persian site map - English site map - Created in 0.06 seconds with 32 queries by YEKTAWEB 4106