تشخيص بيماري ديابت با استفاده از الگوريتم بهينه سازي ذرات و ماشين بردار پشتيبان

امروزه در دنياي پزشكي شاهد جمع آوري داده هاي فراواني بوده و نياز به داده كاوي براي كمك به كشف الگوهاي موجود و پيش بيني بيماري ها كاملاً احساس مي گردد، از اين رو پزشكان با تكيه بر دانش، تجربه هاي خود و انجام آزمايش هاي پيچيده، وقت گير و هزينه بر به بيماري پي مي برند. با اين وجود خطاي انساني هميشه وجود دارد. استفاده از تمامي ويژگي ها بدون تجزيه و تحليل دقيق آن هاموجب صرف زمان و هزينه بيشتر و در برخي موارد حتي باعث كاهش ميزان صح تشخيص درست بيماري براي پزشك مي گردد. جهت برطرف نمودن مشكل مطرح شده در اين مقاله سعي شده است تا با تلفيق الگوريتم بهينه سازي ذرات و شبكه عصبي مصنوعي ويژگي هاي موثر در روند تشخيص بيماري انتخاب شوند كه اين امر علاوه بر افزايش ميزان صحت پيش بيني، تعداد ويژگي ها را به نصف كاهش داده و موجب صرفه جويي در زمان و هزينه مي گردد، سپس براي دسته بندي بيماري از الگوريتم ماشين بردار پشتيبان جهت تشخيص صحيح بيماري استفاده مي شود. در پايان، مجموعه آزمايش هاي انجام شده جهت ارزيابي مدل پيشنهادي با استفاده از پايگاه داده ي استاندارد UCI مربوط به بيماران ديابتي براي تشخيص بيماري ديابت نشان مي دهد روش پيشنهادي با استفاده از انتخاب ويژگي با الگوريتم بهينه سازي ذرات و ماشين بردار پشتيبان ميزان صحت بيشتري را براي تشخيص بيماري ديابت دارد.