جلد 26، شماره 8 - ( 8-1398 )
جلد 26 شماره 8 صفحات 22-14 |
برگشت به فهرست نسخه ها
استادیار گروه مهندسی صنایع و متخصص، دانشگاه سیستان و بلوچستان، سیستان و بلوچستان، ایران ، firouzi@eng.usb.ac.ir
چکیده: (3475 مشاهده)
زمینه و هدف: امروزه کاربرد هوش مصنوعی درزمینه سیستم‌های سلامت گسترش زیادی داشته است. یادگیری ماشین به‌عنوان یکی از زیرشاخه‌های هوش مصنوعی، کاربردهای فراوانی درزمینه تشخیص پزشکی دارد. بیماری مزمن کلیوی یکی از شایع‌ترین بیماری‌های مربوط به کلیه در سراسر جهان است که تسهیل و تسریع در امر تشخیص آن نتایج بسیار مطلوبی بر روند درمان آتی آن خواهد داشت. هدف این پژوهش ارائه مدلی هوشمند برپایه‌ی تکنیک‌های یادگیری ماشین جهت تشخیص بیماری نارسایی کلیوی است.
روش کار: این مطالعه از نوع توصیفی-تحلیلی می‌باشد. داده‌های مورد استفاده در این تحقیق از تعداد ۴۰۰ فرد بیمار و غیر بیمار در کشور هندوستان استخراج‌شده است. این داده‌ها ابتدا در محیط پایتون پیش‌پردازش شده و از مشاهدات نویز و دورافتاده پاک شد. سپس الگوریتم‌های ماشین بردار پشتیبان، پرسپترون چندلایه و درخت تصمیم جهت دسته‌بندی داده‌ها به کار گرفته شد. معیارهای ارزیابی Accuracy، Recall و Precision برای ارزیابی عملکرد این دسته‌بندها محاسبه شد.
یافته‌ها: با توجه معیارهای ارزیابی محاسبه‌شده، برای الگوریتم ماشین بردار پشتیبان، مقادیر معیارهای Accuracy، Recall و Precision به ترتیب برابر 97/0، 961/0، 986/0 به دست آمد. یافته‌ها حکایت از عملکرد بهتر الگوریتم ماشین بردار پشتیبان ازنظر معیار Accuracy دارد. ازنظر معیار Recall، الگوریتم درخت تصمیم با مقدار 963/0 بهترین عملکرد را داشته و از نظر معیار Precision، الگوریتم پرسپترون چندلایه با مقدار 994/0 بهترین عملکرد را در دسته‌بندی داده‌ها داشتند.
نتیجه‌گیری: نتایج به‌دست‌آمده نشان داد که تکنیک‌های یادگیری ماشین می‌توانند در تشخیص بیماری مزمن کلیوی اثرگذار باشند. به‌کارگیری این تکنیک‌ها می‌تواند امور مربوط به تشخیص و درمان این بیماران را تسهیل کند و احتمال بهبودی افراد را بالا برد. همچنین نتایج نشان داد که مدل ارائه شده بر پایه‌ی تکنیک‌های یادگیری ماشین، در مقایسه با سایر تکنیک‌ها دقیق‌تر، ساده‌تر و کم‌هزینه تر استد.
روش کار: این مطالعه از نوع توصیفی-تحلیلی می‌باشد. داده‌های مورد استفاده در این تحقیق از تعداد ۴۰۰ فرد بیمار و غیر بیمار در کشور هندوستان استخراج‌شده است. این داده‌ها ابتدا در محیط پایتون پیش‌پردازش شده و از مشاهدات نویز و دورافتاده پاک شد. سپس الگوریتم‌های ماشین بردار پشتیبان، پرسپترون چندلایه و درخت تصمیم جهت دسته‌بندی داده‌ها به کار گرفته شد. معیارهای ارزیابی Accuracy، Recall و Precision برای ارزیابی عملکرد این دسته‌بندها محاسبه شد.
یافته‌ها: با توجه معیارهای ارزیابی محاسبه‌شده، برای الگوریتم ماشین بردار پشتیبان، مقادیر معیارهای Accuracy، Recall و Precision به ترتیب برابر 97/0، 961/0، 986/0 به دست آمد. یافته‌ها حکایت از عملکرد بهتر الگوریتم ماشین بردار پشتیبان ازنظر معیار Accuracy دارد. ازنظر معیار Recall، الگوریتم درخت تصمیم با مقدار 963/0 بهترین عملکرد را داشته و از نظر معیار Precision، الگوریتم پرسپترون چندلایه با مقدار 994/0 بهترین عملکرد را در دسته‌بندی داده‌ها داشتند.
نتیجه‌گیری: نتایج به‌دست‌آمده نشان داد که تکنیک‌های یادگیری ماشین می‌توانند در تشخیص بیماری مزمن کلیوی اثرگذار باشند. به‌کارگیری این تکنیک‌ها می‌تواند امور مربوط به تشخیص و درمان این بیماران را تسهیل کند و احتمال بهبودی افراد را بالا برد. همچنین نتایج نشان داد که مدل ارائه شده بر پایه‌ی تکنیک‌های یادگیری ماشین، در مقایسه با سایر تکنیک‌ها دقیق‌تر، ساده‌تر و کم‌هزینه تر استد.
فهرست منابع
1. 1- Kimmel P, Rosenberg M. Chronic Renal Disease. 1st ed. USA; Academic Press; 2014.
2. 2- Pérez-Sáez MJ, Prieto-Alhambra D, Barrios C, Crespo M, Redondo D, Nogués X .et al. Increased hip fracture and mortality in chronic kidney disease individuals: the importance of competing risks. Bone. 2015; 73: 154-9.
3. 3- Cueto-Manzano AM, Cortés-Sanabria L, Martínez-Ramírez HR, Rojas-Campos E, Gómez-Navarro B, Castillero-Manzano M. Prevalence of chronic kidney disease in an adult population. Archives of medical research. 2014; 45(6): 507-13.
4. 4- Kavakiotis I, Tsave O, Salifoglou A, Maglaveras N, Vlahavas I, Chouvarda I. Machine learning and data mining methods in diabetes research. Computational and structural biotechnology journal. 2017; 15: 104-16.
5. 5- Gharaati Z, Pajoohan M. Diagnosis of Leukemia Type by Machine Learning: Dimension Reduction and Balancing. Medical Informatics Research Center. 2018; 5(1): 25-34. (origin Persian)
6. 6- Zheng T, Xie W, Xu L, He X, Zhang Y, You M .et al. A machine learning-based framework to identify type 2 diabetes through electronic health records. International journal of medical informatics. 2017; 97: 120-7.
7. 7- Mercaldo F, Nardone V, Santone A. Diabetes mellitus affected patients classification and diagnosis through machine learning techniques. Procedia computer science. 2017; 112: 2519-28.
8. 8- Dunaeva O, Edelsbrunner H, Lukyanov A, Machin M, Malkova D, Kuvaev R .et al. The classification of endoscopy images with persistent homology. Pattern Recognition Letters. 2016; 83: 13-22.
9. 9- Wu CC, Yeh WC, Hsu WD, Islam MM, Nguyen PA, Poly TN .et al. Prediction of fatty liver disease using machine learning algorithms. Computer methods and programs in biomedicine. 2019; 170: 23-9.
10. 10- Lynch C, Abdollahi B, Fuqua J, Carlo A, Bartholomai J, Balgemann R .et al. Prediction of lung cancer patient survival via supervised machine learning classification techniques. International Journal of Medical Informatics. 2017; 108: 1–8.
11. 11- Dumortier A, Beckjord E, Shiffman S, Sejdić E. Classifying smoking urges via machine learning. Computer methods and programs in biomedicine. 2016; 137: 203-13.
12. 12- Martínez-Martínez JM, Escandell-Montero P, Barbieri C, Soria-Olivas E, Mari F, Martínez-Sober M .et al. Prediction of the hemoglobin level in hemodialysis patients using machine learning techniques. Computer methods and programs in biomedicine. 2014; 117(2): 208-17.
13. 13- Chen Z, Zhang Z, Zhu R, Xiang Y, Harrington PB. Diagnosis of patients with chronic kidney disease by using two fuzzy classifiers. Chemometrics and Intelligent Laboratory Systems. 2016; 153: 140-5.
14. 14- Muthukumar P, Krishnan GS. A similarity measure of intuitionistic fuzzy soft sets and its application in medical diagnosis. Applied Soft Computing. 2016; 41: 148-56.
15. 15- UCI Machine Learning Repository: Chronic Kidney Disease (CKD) Data Set, 2015. [Internet]. Available from: https://archive.ics.uci.edu/ml/datasets/Chronic_Kidney_Disease
16. 16- Downey AB. Think stats: exploratory data analysis. USA: O'Reilly Media, Inc.; 2014.
17. 17- Cady F. The Data Science Handbook. 1st ed. USA: John Wiley & Sons; 2017.
18. 18- Deng N, Tian Y, Zhang C. Support vector machines: optimization based theory, algorithms, and extensions. 1st ed. USA: Chapman and Hall/CRC; 2012.
19. 19- Soares FM, Souza AM. Neural network programming with Java. 1st ed: Birmingham UK: Packt Publishing Ltd; 2017.
20. 20- Hackeling G. Mastering Machine Learning with scikit-learn. 1st ed: Birmingham UK: Packt Publishing Ltd; 2017.
21. 21- sheikhtaheri A, Hamedan F, Sanadgol H, Orooji A. Development of a fuzzy expert system to diagnose chronic kidney disease. Razi J Med Sci. 2019; 25(10): 46-60. (origin Persian)
22. 22- Akben SB. Early Stage Chronic Kidney Disease Diagnosis by Applying Data Mining Methods to Urinalysis, Blood Analysis and Disease History. IRBM. 2018; 39(5): 353-8.
23. 23- Sinha P, Sinha P. Comparative study of chronic kidney disease prediction using KNN and SVM. Int J Eng Res Technol. 2015; 4: 608–12.
24. 24- Heravi M, Setayeshi S. Intelligent and fast recognition of heart disease based on synergy of linear neural network and logistic regression model. Journal of Mazandaran University of Medical Sciences. 2014; 24(112): 78-87. (origin Persian)
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |