[صفحه اصلی ]   [Archive] [ English ]  
:: درباره نشريه :: صفحه اصلي :: آخرين شماره :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 28، شماره 2 - ( 4-1399 ) ::
جلد 28 شماره 2 صفحات 71-59 برگشت به فهرست نسخه ها
آنالیز داده ‌های مربوط به بیماران هپاتیت با استفاده از الگوریتم جلبک مصنوعی باینری مبتنی بر K نزدیکترین همسایه
عاطفه بیگلری صالح1 ، فرهاد سلیمانیان قره چپق* 2
1- گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران
2- گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران ، bonab.farhad@gmail.com
چکیده:   (2010 مشاهده)
مقدمه: از مشکلات اصلی در علم پزشکی، تشخیص و پیش ‌بینی به موقع بیماری ‌ها می ‌باشد. استفاده از سیستم‌ های تصمیم یار به منظور کشف دانش نهفته در مجموعه اطلاعات بیماری و در سوابق مربوط به بیماران یکی از راهکارهایی است که در زمینه تشخیص و پیشگیری از بیماری بسیار موثر می ‌باشد. هدف اصلی از این مقاله، طراحی یک سیستم تصمیم یار پزشکی است که بتواند بیماری هپاتیت را تشخیص دهد.
مواد و روش‌ ها: این مطالعه از نوع توصیفی-تحلیلی می‌ باشد. مجموعه داده آن شامل 155 رکورد با 19 ویژگی موجود در پایگاه داده یادگیری ماشین UCI می ‌باشد. در این مقاله، از الگوریتم جلبک مصنوعی باینری برای انتخاب ویژگی و از k نزدیک ترین همسایه برای کلاس ‌بندی هپاتیت به دو کلاس سالم و ناسالم استفاده شده است. از 80‌ درصد داده‌ ها جهت آموزش و از 20‌ درصد باقی ‌مانده جهت آزمون استفاده شده است. هم چنین جهت ارزیابی مدل از شاخص ‌های دقت، بازخوانی، F-Measure و صحت استفاده شده است.
یافته ‌های پژوهش: بررسی اولیه نشان داد که درصد صحت مدل پیشنهادی برابر با 45/96 درصد می‌ باشد. بعد از انتخاب ویژگی با الگوریتم جلبک مصنوعی درصد صحت در بهترین حالت به 36/98 درصد رسید. در مدل پیشنهادی در حالت 300 بار تکرار، مقدار معیارهای دقت، بازخــــوانی، F-Measure، و نرخ خطا به ترتیب برابر با 23/96 درصد، 74/96 درصد، 48/96 درصد، 55/3 درصد می ‌باشند.
بحث و نتیجه‌ گیری: هپاتیت یکی از شایع‌ ترین بیماری‌ ها در بین زنان و مردان می ‌باشد. تشخیص به موقع بیماری ضمن کاهش هزینه‌ ها، شانس درمان موفقیت ‌آمیز بیمار را افزایش می ‌دهد. در این مطالعه ضمن تشخیص بیماری به کمک روش ترکیبی، توانستیم با استفاده از انتخاب ویژگی به دقت بالایی در تشخیص بیماری دست یابیم.
واژه‌های کلیدی: سیستم تصمیم یار پزشکی، تشخیص بیماری هپاتیت، الگوریتم جلبک مصنوعی باینری، k نزدیک ترین همسایه، انتخاب ویژگی
متن کامل [PDF 642 kb]   (772 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: آمار حیاتی
دریافت: 1397/9/25 | پذیرش: 1398/9/30 | انتشار: 1399/4/10
فهرست منابع
1. Venkatesh AG, Brickner H, Looney D, Hall DA, Aronoff spencer clinical detection of hepatitis C viral infection by yeast secreted HCV core gold binding peptide. Biosens Bioelectron 2018; 119: 230-6. doi. 10.1016/j.bios.2018.07.026
2. Hsu WY. A decision making mechanism for assessing risk factor significance in cardiovascular diseases. Dec Sup Sys2018; 115: 64-77. doi.10.1016/j.dss.2018.09.004
3. Malmir B, Amini M, Chang SI. A medical decision support system for disease diagnosis under uncertainty. Exp Sys Appl 2017; 88: 95-108. doi.10.1016/j.eswa.2017.06.031
4. Nazari S, Fallah M, Kazemipoor H, Salehipour A. A fuzzy inference fuzzy analytic hierarchy process based clinical decision support system for diagnosis of heart diseases. Exp Sys Appl2018; 95: 261-271. doi.10.1016/j.eswa.2017.11.001
5. Rouhani M, Haghighi MM. The diagnosis of hepatitis diseases by support vector machines and artificial neural networks, international association of computer science and information technology. Spring Con2009; 2:456-8. doi.10.1109/IACSIT-SC.2009.25
6. Ozyilmaz L, Yildirim T. Artificial neural networks for diagnosis of hepatitis disease Proceedings. Inte Con Neural Net2003; 1: 586-9. doi.10.1109/IJCNN.2003.1223422
7. Zhang X, Wu C, Li J, Wang X, Jung KH. Binary artificial algae algorithm for multidimensional knapsack problems. Appl Soft Comput2016; 43: 583-95. doi.10.1016/j.asoc.2016.02.027
8. Martin B. Instance based learning nearest neighbour with generalization.2 th ed. Doct Disser Uni Waikato Publication. 1995;P.132-9.
9. Behravesh A, Sadeghzadeh M. Diagnosis of hepatitis disease with cuckoo search binary method and least squares support vector. Norwe Sci Technol Res 2016;3:32-7.
10. Ebrahimi M, Roosta M , Farjami Y. [Review and comparison of data based techniques in the diagnosis of hepatitis international conference on nonlinear systems and optimization of electrical and computer engineering]. Dubai Pand Andish Rahpo 2015;1:123-6. (Persian)
11. Khodarahmi R, Rouhani M. Detection of hepatitis disease using combination of k-means and weed optimization algorithms. Inte Con Mod Res Eng Sci 2016;1:43-7.
12. Kharshadizadeh N, Rezaei H. Diagnosis of hepatitis disease using rave collection and machine learning. Comput Eng Inf Technol Manage Sci 2014;2:162-7.
13. Mousavirad SJ, Komala HE. [Intelligent diagnosis of hepatitis disease by analyzing primary components and Fusion of classifiers]. Koomesh 2013;16:149-58. (Persian)
14. Nilashi M, Ahmadi H, Shahmoradi L, Ibrahim O, Akbari E. A predictive method for hepatitis disease diagnosis using ensembles of neuro fuzzy technique. J Inf Publ Health 2018;2:23-8. doi. 10.1016/j.jiph.2018.09.009
15. Uzer MS, Yilmaz N, Inan O. Feature selection method based on artificial bee colony algorithm and support vector machines for medical datasets classification.4th ed. Hindawi Publication Corp.2013; P.1-10. doi.10.1155/2013/419187
16. Nilashia M, Ahmadi H, Shahmoradi L, Othman I, Akbari E. A predictive method for hepatitis disease diagnosis using ensembles of neuro-fuzzy technique. J Inf Publ Health. Volume 12, 2019;1:13-20. doi.10.1016/j.jiph.2018.09.009
17. Harper PR. A review and comparison of classification algorithms for medical decision making. Health Pol 2005; 71:315-31. doi. 10.1016/j.healthpol.2004.05.002
18. AlJarullah A. Decision tree discovery for the diagnosis of type II diabetes. Int Con Inform Technol 2011; 3: 303-7. doi.10.1109/INNOVATIONS.2011.5893838
19. Farhangfar A, Kurgan L, Dy J. Impact of imputation of missing values on classification error for discrete data. Patt Rec 2008; 41:3692-705. [DOI:10.1016/j.patcog.2008.05.019]
20. Wu H, Yang S, Huang Z, He J, Wang X. Type 2 diabetes mellitus prediction model based on data mining. Inform Med Unlock 2018; 10: 100-107. doi.10.1016/j.imu.2017.12.006
21. Edla DR, Cheruku R. Diabetes finder a bat optimized classification system for type-2 diabetes. Procedi Comput Sci 2017; 115: 235-42. doi.10.1016/j.procs.2017.09.130
22. Bascil MS, Oztekin H. A study on hepatitis disease diagnosis using probabilistic neural network, J Med Sys2012;36: 1603-6. doi.10.1007/s10916-010-9621-x
23. Dogantekin E, Dogantekin A, Avci D. Automatic hepatitis diagnosis system based on Linear discriminant analysis and adaptive network based on Fuzzy inference system. Exp Sys Appl2009; 36: 11282-11286. doi.10.1016/j.eswa.2009.03.021
24. Sartakhti JS, Zangooei MH, Mozafari K.Hepatitis disease diagnosis using a novel hybrid method based on support vector machine and simulated annealing. Compute Meth Prog Biomed2012; 108: 570-9. doi.10.1016/j.cmpb.2011.08.003
25. Ashraf M, Chetty G, Tran D, Sharma D.Hybrid approach for diagnosing thyroid, hepatitis, and breast cancer based on correlation based feature selection and naive bayes. ICONIP 2012; 3: 272-80. doi.10.1007/978-3-642-34478-7_34
26. Zorarpacı E, Ozel SA.A hybrid approach of differential evolution and artificial bee colony for feature selection, Exp Sys Appl2016; 62: 91-103. doi.10.1016/j.eswa.2016.06.004
27. Tan KC, Teoh EJ, Yu Q, Goh KC.A hybrid evolutionary algorithm for attribute selection in data mining. Exp Sys Appl2009; 36: 8616-30. doi. 10.1016/j.eswa.2008.10.013
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:

Biglari Saleh A, Soleimanian Gharehchopogh F. Analysis of Hepatitis Patient Data using Binary Artificial Algae Algorithm based on K-Nearest Neighbor. Journal of Ilam University of Medical Sciences 2020; 28 (2) :59-71
URL: http://sjimu.medilam.ac.ir/article-1-5323-fa.html

بیگلری صالح عاطفه، سلیمانیان قره چپق فرهاد. آنالیز داده ‌های مربوط به بیماران هپاتیت با استفاده از الگوریتم جلبک مصنوعی باینری مبتنی بر K نزدیکترین همسایه. مجله دانشگاه علوم پزشکی ایلام 1399; 28 (2) :71-59

URL: http://sjimu.medilam.ac.ir/article-1-5323-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 2 - ( 4-1399 ) 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 31 queries by YEKTAWEB 4541