مدل سازي سيستم ايمني بدن با استفاده از شبكه هاي بيزي

The modeling of body's immune system using Bayesian Networks

در اين مقاله براساس الگوي شبكه هاي بيزي در ساختار ماركوفي و درختي، كه يكي از الگوريتم هاي معروف در يادگيري ماشين است، به مطالعه عفونت ادراري افراد، كه يكي از علايم شايع در ضعف سيستم ايمني بدن است، پرداخته شده است. در اين مقاله يك نمونه در مقياس بزرگ براي ارزيابي عمل كرد الگوريتم شبكه هاي بيزي انجام شده است. در اين مطالعه 4052 نمونه از بانك اطلاعاتي مربوط به معاونت درمان دانشگاه علوم پزشكي قزوين- مركز بهداشت و درمان شهرستان تاكستان استخراج شد كه هم آزمايش تحليل ادرار و هم آزمايش كشت ادرار داشتند. با توجه به اهداف مطالعه و با استفاده از نظر متخصص آزمايشگاه و متخصص ارولوژي 15 متغير انتخاب شد. متغير نوع عفونت ادراري به عنوان پاسخ و 14 متغير ورودي در مدل شبكه بيزي با الگوريتم هاي مختلف تحت بررسي قرار گرفتند. نتايج نشان مي دهد روش شبكه بيزي با ساختار درختي و انتخاب گام به گام متغيرها تقريبا بدون خطا براي 99/7 درصد از داده هاي آموزشي، (75 درصد از كل داده ها) ، و 99/8 درصد داده هاي آزمايشي (25درصد از كل داده ها) داراي تشخيص درست است. براساس الگوي شبكه هاي بيزي، متغيرهاي كمكي تاثيرگذار بر عفونت ادراري، افزايش باكتري ها و كاهش گلبول هاي سفيد خون در گروه هاي سني مختلف به دست آمده است. نتايج اين مطالعه در چارچوب يادگيري ماشين و سيستم هاي هوشمند، مي تواند براي تشخيص سريع اين بيماري و درمان افراد مشكوك به اين بيماري در سطح جامعه بدون حضور فيزيكي استفاده شود

In this paper, the urinary infection, that is a common symptom of the decline of the immune system, is discussed based on the well-known algorithms in machine learning, such as Bayesian networks in both Markov and tree structures. A large scale sampling has been executed to evaluate the performance of Bayesian network algorithm. A number of 4052 samples wereobtained from the database of the Takestan Department of Health, a center affiliated to Qazvin University of Medical Sciences. According to the goals of the study and using the expert opinion of the laboratory and urologist, 15 variables were selected. The database included both urine analysis and culture tests. The results indicated 99.7% accuracy of the diagnosis for the training data, (75% of total data), and 99.8% accuracy of the diagnosis for testing data (25% of total data). Based on the Bayesian network model, the important covariates influencing the Urinary infection have been proved to be the increase of bacteria and the decrease of white blood cells in different age groups. The results of this study can be used in the context of machine learning and intelligent systems for rapid diagnosis of the disease and the treatment of people suspected of suffering from it.