تشخيص بيماري كبد با الگوريتم كرم شب‌تاب مبتني بر الگوريتم آدابوست

Diagnosing Liver Disease using Firefly Algorithm based on Adaboost

مقدمه: بيماري كبدي يكي از بيماري‌هاي شايع و خطرناك مي‌باشد و تشخيص به موقع اين بيماري مي‌تواند در پيشگيري از عوارض، كنترل و درمان بيماري بسيار موثر باشد. هدف پژوهش حاضر بهبود الگوريتم آدابوست با الگوريتم كرم شب‌تاب براي تشخيص بيماري كبد مي‌باشد. روش ها: مطالعه حاضر، از نوع توصيفي-تحليلي مي‌باشد. مجموعه داده آن شامل 583 ركورد مستقل شامل 10 ويژگي موجود در مجموعه داده يادگيري ماشين دانشگاه كاليفرنيا، ايروين ((UCI) University of California, Irvine) مي‌باشد. در اين مقاله از تركيب الگوريتم آدابوست و كرم شب‌تاب در راستاي افزايش كارايي تشخيص بيماري كبد استفاده شده است. از 80‌ درصد داده‌ها جهت آموزش و از 20‌ درصد باقي‌مانده جهت آزمون استفاده شده است كه اين مبنا توسط ارزيابي‌هاي مختلف انتخاب شده است. يافته ها: نتايج نشان داد كه عملكرد مدل تركيبي با انتخاب ويژگي در مقايسه با حالت بدون انتخاب ويژگي بهتر است. البته انتخاب ويژگي‌هاي مهم در عملكرد مدل تركيبي موثر هستند. درصد صحت (accuracy) مدل تركيبي با پنج ويژگي در بهترين حالت برابر با 98/6 درصد و درحالت كلي و با تمام ويژگي‌ها برابر با 94/1 درصد است. در مقايسه كلي، مدل تركيبي در مقايسه با اغلب مدل‌هاي داده كاوي از درصد صحت بيشتري برخوردار است. نتيجه‌گيري: با توجه به نتايج به دست آمده مطالعه حاضر، مدل تركيبي در تشخيص و طبقه‌بندي افراد سالم و ناسالم مي‌تواند نقش مؤثري در كمك به پزشكان داشته باشد و در مراكز پزشكي براي بالا بردن دقت، سرعت و كاهش هزينه‌ها مي‌توان از اين مدل استفاده نمود. نمي‌توان ادعا كرد كه مدل تركيبي در مقايسه با كل مدل‌ها بهتر است اما در مقايسه با بيشتر مدل‌ها داراي درصد صحت بيشتري است.

Introduction: Liver disease is one of the most common and dangerous diseases the early detection of which can be very effective in preventing complications as well as controlling and treating the disease. The purpose of this study was to improve Adaboost algorithm using Firefly Algorithm for diagnosing liver disease. Method: This is a descriptive-analytic study. The dataset consists of 583 independent records including 10 features of machine learning dataset in the University of California, Irvine. In this study, Adaboost and Firefly Algorithm were combined to increase the effectiveness of liver disease diagnosis. 80% of the data were used for training and 20% for testing. Results: The results highlighted the superiority of the hybrid model of feature selection over the models without feature selection. Of course, the selection of important features affect the performance of the model. The accuracy of the hybrid model considering 5 and all features was 98.61% and 94.15%, respectively. Overall, the hybrid model proved more accurate compared with most of the other data mining models. Conclusion: Hybrid model can be used to help physicians identify and classify healthy and unhealthy individuals; it can also be used in medical centers to enhance accuracy and speed, and reduce costs. It cannot be claimed that the hybrid model is the best model; however, it proved more accurarate.