عنوان مقاله :
مدل تركيبي برمبناي الگوريتم بهينه سازي شيرمورچه و k نزديك ترين همسايه براي تشخيص بيماري كبد
عنوان به زبان ديگر :
and K-Nearest Neighbors Algorithm to Diagnose Liver Disease
پديد آورندگان :
جواد زاده، شايان موسسه آموزش عالي كمال اروميه - گروه مهندسي كامپيوتر، اروميه، ايران , شايانفر، هومن موسسه آموزش عالي كمال اروميه - گروه مهندسي كامپيوتر، اروميه، ايران , سليمانيان قره چپق، فرهاد موسسه آموزش عالي كمال اروميه - گروه مهندسي كامپيوتر، اروميه، ايران
كليدواژه :
ﺗﺸﺨﯿﺺ ﺑﯿﻤﺎري ﮐﺒﺪ , اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪ ﺳﺎزي ﺷﯿﺮﻣﻮرﭼﻪ , اﻟﮕﻮرﯾﺘﻢ k ﻧﺰدﯾﮏ ﺗﺮﯾﻦ ﻫﻤﺴﺎﯾﻪ , ﻃﺒﻘﻪ ﺑﻨﺪي
چكيده فارسي :
مقدمه: از آن جايي كه كليه بيمارستان ها اعم از دولتي و خصوصي، هزينه هاي سنگيني را در بخش بيماري كبد تقبل مي كنند، ارائه روشي به منظور پيش بيني بيماري كبد ضرورتي اجتناب ناپذير است. در اين مقاله، مدل تركيبي بر مبناي الگوريتم بهينه سازي شيرمورچه و k نزديك ترين همسايه به منظور تشخيص بيماري كبد ارائه مي گردد.
مواد و روش ها: در اين مطالعه توصيفي-تحليلي يك مدل تركيبي مبتني بر الگوريتم هاي يادگيري ماشين براي طبقه بندي افراد به دو دسته سالم و مبتلا به بيماري كبد طراحي شده است. مدل پيشنهادي با استفاده از نرم افزار MATLAB شبيه سازي شده است. مجموعه داده مورد استفاده در اين مقاله، مجموعه داده ILPD موجود در مخزن داده يادگيري ماشين دانشگاه ايروين كاليفرنيا است. اين مجموعه داده شامل شامل 583 ركورد مستقل شامل 10 ويژگي براي بيماري كبد است.
يافته هاي پژوهش: داده هاي اين مجموعه پس از پيش پردازش به صورت تصادفي به 20 دسته از كل مجموعه داده تقسيم شدند كه شامل داده هاي آموزش و آزمون متفاوت بودند. در هر دسته داده از 90 درصد داده ها براي آموزش و 10 درصد باقي مانده براي آزمايش استفاده شد. نتايج حاصله در بهترين حالت بر مبناي تمامي ويژگي ها بر اساس درصد صحت برابر با 23/95 درصد و بر مبناي معيارهاي ويژگي و حساسيت درصد صحت به ترتيب برابر 95/93 درصد و 11/94 درصد مي باشد. هم چنين درصد صحت مدل پيشنهادي با 5 ويژگي برابر با 63/98 درصد مي باشد.
بحث و نتيجه گيري: مدل پيشنهادي به منظور تشخيص و طبقه بندي بيماري كبد با دقت بالاي 90 درصد پيشنهاد گرديد. نتايج حاصل از اين مقاله مي تواند براي مراكز درماني و پزشكان مفيد واقع شود.
چكيده لاتين :
Introduction: Given that a huge amount of
cost is imposed on public and private
hospitals from the department of liver
diseases, it is necessary to provide a method
to predict liver diseases. This study aimed to
propose a hybrid model based on the Ant
Lion Optimization algorithm and K-Nearest
Neighbors algorithm to diagnose liver
diseases.
Materials & Methods: This descriptiveanalytic
study proposed a hybrid model
based on machine learning algorithms to
classify individuals into two categories,
including healthy and unhealthy (those with
liver diseases). The proposed model has
been simulated using MATLAB software.
The datasets used in this study were obtained
from the Indian Liver Patient Dataset
available in the Machine Learning
Repository at the University of Irvine,
California. This dataset contains 583
independent records, including 10 features
for liver diseases. Findings: After pre-processing, the dataset
was randomly divided into 20 categories of
the entire dataset, which included different
training and test data. In each category of the
dataset, 90% and 10% of the data were used
for training and test, respectively. Regarding
all features, the results obtained the most
accurate mode at 95.23%. Moreover,
according to the criteria of specificity and
sensitivity accuracy, the corresponding
values were 93.95% and 94.11%,
respectively. Furthermore, the accuracy of
the proposed model along with five features
was estimated at 98.63%.
Discussions & Conclusions: This model was
proposed to diagnose and classify liver
diseases along with an accuracy rate of
higher than 90%. Healthcare centers and
physicians can utilize the results of this
study.
عنوان نشريه :
مجله علمي دانشگاه علوم پزشكي ايلام
