[صفحه اصلی ]   [Archive] [ English ]  
:: درباره نشريه :: صفحه اصلي :: آخرين شماره :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
نمایه ها::
برای نویسندگان::
هزینه چاپ::
برای داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
سیاست های نشریه ::
بیانیه اخلاقی::
ثبت شکایت::
::
Citation Indices from GS

Citation Indices from GS

AllSince 2019
Citations62733583
h-index2719
i10-index18478
..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
ثبت شده در

AWT IMAGE

AWT IMAGE

..
:: دوره 28، شماره 5 - ( 9-1399 ) ::
جلد 28 شماره 5 صفحات 89-76 برگشت به فهرست نسخه ها
مدل ترکیبی برمبنای الگوریتم بهینه‌ سازی شیرمورچه و k نزدیک ترین همسایه برای تشخیص بیماری کبد
شایان جواد زاده1 ، هومن شایانفر2 ، فرهاد سلیمانیان قره چپق* 3
1- گروه مهندسی کامپیوتر، موسسه آموزش عالی کمال ارومیه، ارومیه، ایران
2- گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران
3- گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران ، bonab.farhad@gmail.com
چکیده:   (2037 مشاهده)
مقدمه: از آن جایی که کلیه بیمارستان‌ ها اعم از دولتی و خصوصی، هزینه‌ های سنگینی را در بخش بیماری کبد تقبل می ‌کنند، ارائه روشی به منظور پیش ‌بینی بیماری کبد ضرورتی اجتناب ‌ناپذیر است. در این مقاله، مدل ترکیبی بر مبنای الگوریتم بهینه‌ سازی شیرمورچه و k نزدیک ترین همسایه به منظور تشخیص بیماری کبد ارائه می‌ گردد.
مواد و روش ‌ها: در این مطالعه‌ توصیفی-تحلیلی یک مدل ترکیبی مبتنی بر الگوریتم ‌های یادگیری ماشین برای طبقه ‌بندی افراد به دو دسته سالم و مبتلا به بیماری کبد طراحی شده است. مدل پیشنهادی با استفاده از نرم ‌افزار MATLAB شبیه‌ سازی شده است. مجموعه داده مورد استفاده در این مقاله، مجموعه داده ILPD موجود در مخزن داده یادگیری ماشین دانشگاه ایروین کالیفرنیا است. این مجموعه داده شامل شامل 583 رکورد مستقل شامل 10 ویژگی برای بیماری کبد است.
یافته‌ های پژوهش: داده‌ های این مجموعه پس از پیش ‌پردازش به‌ صورت تصادفی به 20 دسته از کل مجموعه داده تقسیم شدند که شامل داده ‌های آموزش و آزمون متفاوت بودند. در هر دسته داده از 90 درصد داده ‌ها برای آموزش و 10 درصد باقی مانده برای آزمایش استفاده شد. نتایج حاصله در بهترین حالت بر مبنای تمامی ویژگی ‌ها بر اساس درصد صحت برابر با 23/95 درصد و بر مبنای معیارهای ویژگی و حساسیت درصد صحت به ترتیب برابر 95/93 درصد و 11/94 درصد می ‌باشد. هم چنین درصد صحت مدل پیشنهادی با 5 ویژگی برابر با 63/98 درصد می‌ باشد.
بحث و نتیجه‌ گیری: مدل پیشنهادی به منظور تشخیص و طبقه ‌بندی بیماری کبد با دقت بالای 90 درصد پیشنهاد گردید. نتایج حاصل از این مقاله می ‌تواند برای مراکز درمانی و پزشکان مفید واقع شود.
واژه‌های کلیدی: تشخیص بیماری کبد، الگوریتم بهینه‌ سازی شیرمورچه، الگوریتم k نزدیک ترین همسایه، طبقه ‌بندی
متن کامل [PDF 808 kb]   (1060 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: آمار زیستی
دریافت: 1398/10/16 | پذیرش: 1399/6/11 | انتشار: 1399/10/10
فهرست منابع
1. Calvopina DA, Noble C, Weis A, Hartel GF, Ramm GA. Supersonic shear wave elastography and APRI for the detection and staging of liver disease in pediatric cystic fibrosis. J Cyst Fibros2019; 2:1-6. doi.10.1016/j.jcf.2019.06.017
2. Lewindon PJ, Puertolas-Lopez MV, Ramm LE, Noble C, Ramm GA. Accuracy of transient elastography data combined with APRI in detection and staging of liver disease in pediatric patients with cystic fibrosis. Clin Gastroenterol Hep 2019; 17: 2561-9. doi.10.1016/j.cgh.2019.03.015.
3. Vanderlocht J, Cruys MVD, Stals F, Bakker L, Damoiseaux J. Multiplex autoantibody detection for autoimmune liver diseases and autoimmune gastritis. J Immunolo Meth 2017; 448: 21-5. doi.10.1016/j.jim.2017.05.003.
4. Gharehchopogh FS, Mousavi SK. [A decision support system for diagnosis of diabetes and hepatitis. based on the combination of particle swarm optimization and firefly algorithm]. J Health Bio Inform 2019; 6: 32-45. (Persian)
5. Gharehchopogh FS, Shayanfar H, Gholizadeh H. A comprehensive survey on symbiotic organisms search algorithms. Art Int Rev 2019; 1-48. doi.10.1007/s10462-019-09733-4
6. Gharehchopogh FS, Gholizadeh H. A comprehensive survey: whale optimization algorithm and its applications. Swarm Evol Comput2019; 48: 1-24. doi. 10.1016/j.swevo.2019.03.004
7. Gharehchopogh FS, FarokhZad MR. [Determining fuzzy logic parameters by using genetic algorithm for the diagnosis of liver disease]. J Health a Bio Info2018; 5: 384-39. (Persian)
8. Abdar M, Zomorodimoghadam M, Das R, Ting IH. Performance analysis of classification algorithms on early detection of liver disease. Exp Syst Appl2017; 67: 239-51. doi.10.1016/j.eswa.2016.08.065
9. Joloudari JH, Saadatfar H, Dehzangi A, Shamshirband S. Computer aided decision-making for predicting liver disease using PSO based optimized SVM with feature selection. Info Med Unlocked 2019; 17: 1-17. doi.org/10.1016/j.imu.2019.100255
10. Pourpanah F, Tan CJ, Lim CP, Mohamad J. A Q-learning based multi agent system for data classification. Appl Soft Comput 2017; 52: 519-31. doi. 10.1016/j.asoc.2016.10.016
11. Weng CH, Cheng T, Han RP. Disease prediction with different types of neural network classifiers. Tel Info 2016; 33: 277-92. doi.10.1016/j.tele.2015.08.006
12. Liang C, Peng L. An automated diagnosis system of liver disease using artificial immune and genetic algorithms. J Med Syst 2013; 2:1-10. doi.10.1007/s10916-013-9932-9
13. Kumar P, Thakur RS. Diagnosis of liver disorder using fuzzy adaptive and neighbor weighted k-nn method for lft imbalanced data. Int Con Struc Syst 2019; 3:1-5. doi.10.1109/ICSSS.2019.8882861
14. Rajeswari P, Reena GS. Analysis of liver disorder using data mining algorithm. Global J Comput Sci Technol2010; 2:71-6.
15. Mirjalili S. The ant lion optimizer. Adv Eng Soft2015; 83: 80-98. doi. 10.1016/j.advengsoft.2015.01.010
16. Martin B. Instance Based Learning: Nearest Neighbour with Generalisation. Uni Waikato Dept Comput Sci Newzealand1995; 95:1-76.
17. Mahmoudi M, Gharehchopogh FS. an improvement of shuffled frog leaping algorithm with a decision tree for feature selection in text document classification. CSI J Compu Sci Eng 2018; 16: 60-72.
18. Orooji A, Langarizadeh M. Evaluation of the effect of feature selection and different kernel functions on svm performance for breast cancer diagnosis. J Health Biomed Info2018; 5:244-51. doi.jhbmi.ir/article-1-284-en.html
19. Allahverdipour A, Gharehchopogh FS. An improved K-nearest neighbor with crow search algorithm for feature selection in text documents classification. J Adv Compu Res 2018; 9: 37-48. doi.jacr.iausari.ac.ir/article_655529.html
20. Jain S, Shukla S, Wadhvani R. Dynamic selection of normalization techniques using data complexity measures. Exp Syst Appl 2018; 106: 252-62. doi. 10.1016/j.eswa.2018.04.008
21. Han J, Kamber M. Data mining concepts and techniques. 2 th ed. Morgan Kuafmann Publication. 2006; P.133-9. doi.10.1016/C2009-0-61819-5
22. Wu H, Yang S, Huang Z, He J, Wang X. Type 2 diabetes mellitus prediction model based on data mining. Info Med Unlocked 2018; 10:100-07. doi.10.1016/j.imu.2017.12.006
23. Edla DR, Cheruku R. Diabete finder: a bat optimized classification system for type 2 diabetes. Proce Comput Sci 2017; 115: 235-42. doi.10.1016/j.procs.2017.09.130
24. Abdar M, Yen NY, Hung JCS. Improving the diagnosis of liver disease using multilayer perceptron neural network and boosted decision trees. J Med Bio Eng2018; 38: 953-65. doi.10.1007/s40846-017-0360-z
25. Bashir S, Qamar U, Khan FH. Intelli health a medical decision support application using a novel weighted multi-layer classifier ensemble framework. J Biomed Info 2015; 59: 185-200. doi.10.1016/j.jbi.2015.12.001
26. Zhou J, Lai Z, Gao C, Miao D, Yue X. Rough possibilistic C-means clustering based on multigranulation approximation regions and shadowed sets. Knowl Base Syst 2018; 160: 144-66. doi.10.1016/j.knosys.2018.07.007
27. Singh J, Bagga S, Kaur R. Software based prediction of liver disease with feature selection and classification techniques. Proce Comput Sci2020; 167: 1970-80. doi. 10.1016/j.procs.2020.03.226
28. Mirjalili S, Mirjalili SM, Lewis A. Grey wolf optimizer. Adv Eng Soft 2014; 69: 46-61. doi.10.1016/j.advengsoft.2013.12.007
29. Kennedy J, Eberhart RC. Particle swarm optimization. Proce Int Con Neur Net 1995;3: 1942-8. doi.10.1109/ICNN.1995.488968
30. Karaboga D. An idea based on honeybee swarm for numerical optimization technical report tr06 Erciyes University engineering faculty. Com Eng Dep2005; 4:81-6. doi. 015d/f4d97ed1f541752842c49d12e429a785460b.pdf
31. Mirjalili S, Lewis A. The whale optimization algorithm. Adv Eng Soft 2016; 95: 51-67. doi.10.1016/j.advengsoft.2016.01.008
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Javadzadeh S, Shayanfar H, Soleimanian Gharehchopogh F. A Hybrid Model based on Ant Lion Optimization Algorithm and K-Nearest Neighbors Algorithm to Diagnose Liver Disease. J. Ilam Uni. Med. Sci. 2020; 28 (5) :76-89
URL: http://sjimu.medilam.ac.ir/article-1-6271-fa.html

جواد زاده شایان، شایانفر هومن، سلیمانیان قره چپق فرهاد. مدل ترکیبی برمبنای الگوریتم بهینه‌ سازی شیرمورچه و k نزدیک ترین همسایه برای تشخیص بیماری کبد. مجله دانشگاه علوم پزشکی ایلام. 1399; 28 (5) :76-89

URL: http://sjimu.medilam.ac.ir/article-1-6271-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 28، شماره 5 - ( 9-1399 ) برگشت به فهرست نسخه ها
مجله دانشگاه علوم پزشکی ایلام Journal of Ilam University of Medical Sciences
Persian site map - English site map - Created in 0.15 seconds with 40 queries by YEKTAWEB 4643