Koomesh journal
كومش
Koomesh
Medical Sciences
http://koomeshjournal.semums.ac.ir
47
journal47
16087046
10.52547/koomesh
fa
jalali
1393
6
1
gregorian
2014
8
1
16
1
online
1
fulltext
en
مدلهای یادگیری ماشین برای پیشبینی تشخیص بیماری کبد
Machine learning models for predicting the diagnosis of liver disease
عمومى
General
پژوهشي
Research
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
Introduction: The liver is the most important organ of the
body has a central role in metabolism. Liver disease cannot be easily
discovered in the early stages, because even when the liver is damaged
partially, it also can work truly, and this makes it difficult to diagnose. Automatic
classification tools as a diagnostic tool can reduce the workload of doctors.
Smart ways to detect liver disease classification used in this study consist of
classifier and Naïve Bayes, Trees Random Forest, 1NN, AdaBoost, SVM. Materials and Methods: Our database was 583 patient records which
they have been registered at university of California in 2013. For evaluate the
proposed models, it is used K-fold cross validation. Five models of machine learning
compare base on specificity, sensitivity, accuracy and area under ROC curve. Results: The accuracy of the five models,
respectively, 55%, 72%, 64%, 70% and 71% respectively and area under the ROC
curve of 0.72, 0.72, 0.59, and 0.67 is 0.5. Conclusion: Trees Random Forest model was the best model with
the highest level of accuracy. The area under the ROC curve of Trees Random
Forest and Naïve Bayes models have the largest area under the curve. Therefore
Trees Random Forest model and predict the diagnosis of liver disease is
recommended
بیماری کبد, رده بندی, پیشبینی, هوش مصنوعی
Liver disease, classification, prediction, Artificial Intelligence
53
59
http://koomeshjournal.semums.ac.ir/browse.php?a_code=A-10-1972-2&slc_lang=en&sid=1
Mitra
Montazeri
میترا
منتظری
4700319475328460014476
4700319475328460014476
No
Mahdieh
Montazeri
مهدیه
منتظری
montazeri@kmu.ac.ir
4700319475328460014477
4700319475328460014477
Yes