رده‌بندي نتايج آنژيوگرافي با تركيب شبكه عصبي- فازي و الگوريتم ژنتيك

بيماري عروق كرونري قلب ازجمله بيماري‌هايي است كه تشخيص زودهنگام آن امري حياتي است. مطالعات نشان مي‌دهد روش‌هاي نوين هوش مصنوعي در پيش‌بيني و تشخيص بيماري‌ها به‌طور گسترده موردتوجه محققان قرارگرفته است. هدف از اين پژوهش، رده‌بندي نتايج آنژيوگرافي به دو دسته طبيعي و غيرطبيعي با استفاده از روش‌هاي هوش مصنوعي است. مواد و روش‌ها: در اين مطالعه از يك مجموعه داده شامل 152 بيمار كه تحت آنژيوگرافي عروق كرونري قلب قرارگرفته بودند، استفاده شد. به‌منظور رده‌بندي نتايج حاصل از آنژيوگرافي عروق كرونري قلب از تركيب شبكه عصبي- فازي و الگوريتم ژنتيك استفاده شد. سيستم پيشنهادي در نرم‌افزار MATLAB پياده‌سازي شد و مورد ارزيابي قرار گرفت. نتايج: در پياده‌سازي انجام‌شده، از 85 درصد داده‌ها جهت مرحله آموزش شبكه عصبي- فازي و 15 درصد باقيمانده جهت مرحله آزمون استفاده شد. نتايج حاصل از شبيه‌سازي در شاخص‌هاي صحت، دقت، حساسيت و اختصاصيت در حالت ميانگين به‌ترتيب 9496/0، 9253/0، 9435/0 و 9569/0 و در بهترين حالت براي هر شاخص معادل عدد 1 به‌دست‌آمده است. نتيجه‌گيري: استفاده از الگوريتم ژنتيك در فرآيند آموزش شبكه عصبي- فازي موجب بهبود سرعت در اين شبيه‌سازي شد. همچنين بالا بودن شاخص‌هاي به‌دست‌آمده عملكرد مناسب سيستم پيشنهادي در رده‌بندي و تشخيص افراد مبتلا‌به بيماري عروق كرونري قلب را تأييد مي‌كند.

Early detection of coronary artery disease is critical. Previous studies show that new methods of artificial intelligence for prediction and diagnosis of diseases have been widely considered by the researchers. The purpose of this paper is the classification of angiography to normal and abnormal by using Artificial Intelligent methods. Methods: In this diagnostic study, the datasets were collected from 152 patients who had been undergoing the coronary angiography, and for classification of the angiography results, a combination of fuzzy neural network and genetic algorithm is used. The proposed system was implemented and evaluated by MATLAB software. Results: In implementation of the proposed system, 85% of the data was used for the training phase and the remaining 15 percent was used for the test phase. The results of the simulation in accuracy, sensitivity and specificity indicators on average state were 0.9496, 0.9253, 0.9435 and 0.9569, respectively. Under optimum conditions, an estimate of 1 was obtained for each indicator. Conclusion: The use of genetic algorithms in ANFIS training phase led to improved speed of the simulation. Also the high performance indicators prove that the proposed system is effective for classifying and diagnosing patients with coronary heart disease.