پیش بینی نارسایی کبدی با استفاده از ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک
محل انتشار: همایش مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه های کامپیوتری، مدلسازی و امنیت سیستم ها
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,855
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CESD01_142
تاریخ نمایه سازی: 25 اسفند 1392
چکیده مقاله:
زمینه: بیماری نارسایی کبدی یکی از بیماری های شایع و خطرناک می باشد، تشخیص بموقع این بیماری می تواند در پیشگیری از عوارض آن و نیز کنترل و درمان خود بیماری بسیار موثر باشد. بدین منظور در این مطالعه سعی شده است تا به وسیله تکنیک شبکه عصبی مصنوعی و بهبود عملکرد آن به وسیله الگوریتم ژنتیک روشی مناسب جهت پیشبینی این بیماری معرفی و پیشنهاد گردد. روش کار: در این مطالعه از دو مجموعه داده استفاده شده است. مجموعه داده اول به نام BUPA شامل 543 نمونه از بیماران کبدی و مجموعه داده دوم به نام ILPD شامل 385 نمونه می باشد. برای پیاده سازی و محک الگوریتم پیشنهادی از نرم افزار WEKA استفاده شده است و در نهایت با استفاده از روشهای مختلفی که برای ارزیابی تکنیک های دادهکاوی وجود دارد اعتبار این الگوریتم مورد تایید قرار گرفت. یافته ها: پس از اعمال این روش دستهبندی روی مجموعه داده های مورد استفاده در این مطالعه دقت دستهبندی این تکنیک ترکیبی روی مجموعه داده BUPA برابر%45.98 و روی مجموعه داده ILPD برابر 59.49 % بدست آمد و مشخص شد که عملکرد این روش دسته بندی روی مجموعه داده ILPD بهتر است و این امر می تواند به علت داشتن تعداد مشخصه های بیشتر و مفیدتری نظیر TB (Total Bilirubin) ، ALB (Albumin) ، DB (Direct Bilirubin) ، TP (Total Proteins) باشد. نتیجه گیری: در این مقاله برای پیشبینی بیماری کبدی از الگوریتم ژنتیک استفاده شده است تا از طریق این روش قدرت دسته بندی شبکه عصبی بهبود پیدا کند. در این رویکرد تعداد نرون های لایه پنهان شبکه عصبی و همچنین وزن بین گره ها از طریق الگوریتم ژنتیک بهینه سازی می گردد و در نتیجه دقت دسته بندی نسبت به روش شبکه عصبی سنتی با الگوریتم انتشار به عقب (Backpropagation) بهبود یافته است.
کلیدواژه ها:
نویسندگان
محمود حیدری
دانشجوی کارشناسی ارشد رشته مهندسی فناوری طلاعات پزشکی، دانشکده علوم و فنون نوین، دانشگاه تهران
مهدی تیموری
استادیار گروه علوم و فناوری شبکه دانشکده علوم و فنون نوین، دانشگاه تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :