دوره 33، شماره 11 - ( بهمن 1401 )
جلد 33 شماره 11 صفحات 822-814 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Tahmasbi H, Besharati R, Alishahi M. A MODEL FOR DIAGNOSING LIVER DISEASES USING “MACHINE LEARNING” TECHNIQUES. Studies in Medical Sciences 2023; 33 (11) :814-822
URL: http://umj.umsu.ac.ir/article-1-5813-fa.html
URL: http://umj.umsu.ac.ir/article-1-5813-fa.html
طهماسبی حمیدرضا، بشارتی رضا، علیشاهی محمد. مدلی برای تشخیص بیماری‌های کبدی با استفاده از روش‌های یادگیری ماشینی. مجله مطالعات علوم پزشکی. 1401; 33 (11) :814-822
استادیار، گروه مهندسی کامپیوتر، واحد کاشمر، دانشگاه آزاد اسلامی، کاشمر، ایران (نویسنده مسئول) ، htahma@gmail.com
چکیده: (1873 مشاهده)
پیش‌زمینه و هدف: تشخیص به‌موقع بیماری‌های کبدی تأثیر قابل‌توجهی در پیشگیری از عوارض آن‌ها و همچنین کنترل و درمان بیماری دارد. یادگیری ماشینی یکی از شاخه‌های هوش مصنوعی است که کاربردهای زیادی در زمینه تشخیص پزشکی دارد. این مطالعه باهدف ارائه‌ی مدلی با دقت و اعتماد بالاتر برای تشخیص بیماری‌های کبدی با استفاده از روش‌های یادگیری ماشینی انجام شد که بتواند به متخصصان پزشکی در تشخیص و کنترل به‌موقع بیماری‌های کمک کند.
مواد و روش کار: این مطالعه از نوع کاربردی-توسعه‌ای بوده و از مجموعه داده‌های 583 بیمار کبدی استفاده شده است. برای تشخیص دقیق‌تر افراد مبتلا به بیماری‌های کبدی، نتایج سه روش یادگیری ماشینی پرکاربرد در تشخیص پزشکی شامل ماشین بردار پشتیبان، جنگل تصادفی و شبکه‌های عصبی مصنوعی با استفاده از نظریه‌ی ترکیب دمپستر-شافر با هم ترکیب شده است. از نرم‌افزار داده‌کاوی Weka و همچنین زبان برنامه‌نویسی پایتون برای پیاده‌سازی مدل استفاده شد. برای ارزیابی کارایی، روش ارزیابی متقابل k تکه برابر بکار برده شد.
یافته‌ها: نتایج نشان داد که دقت، حساسیت و ویژگی در مدل پیشنهادی به ترتیب 47/91 درصد، 52/89 درصد و 03/93 درصد بوده و در مقایسه با مطالعات مشابه، عملکرد بهتری دارد.
بحث و نتیجه‌گیری: مدل پیشنهادی در جامعه‌ی آماری موردمطالعه، عملکرد بهتری در تشخیص بیماری‌های کبدی داشته و می‌تواند به پزشکان در تشخیص زودهنگام این بیماری‌ها و انجام درمان مناسب در مراحل اولیه کمک کرده و درنتیجه مانع از پیشرفت بیماری شود.
مواد و روش کار: این مطالعه از نوع کاربردی-توسعه‌ای بوده و از مجموعه داده‌های 583 بیمار کبدی استفاده شده است. برای تشخیص دقیق‌تر افراد مبتلا به بیماری‌های کبدی، نتایج سه روش یادگیری ماشینی پرکاربرد در تشخیص پزشکی شامل ماشین بردار پشتیبان، جنگل تصادفی و شبکه‌های عصبی مصنوعی با استفاده از نظریه‌ی ترکیب دمپستر-شافر با هم ترکیب شده است. از نرم‌افزار داده‌کاوی Weka و همچنین زبان برنامه‌نویسی پایتون برای پیاده‌سازی مدل استفاده شد. برای ارزیابی کارایی، روش ارزیابی متقابل k تکه برابر بکار برده شد.
یافته‌ها: نتایج نشان داد که دقت، حساسیت و ویژگی در مدل پیشنهادی به ترتیب 47/91 درصد، 52/89 درصد و 03/93 درصد بوده و در مقایسه با مطالعات مشابه، عملکرد بهتری دارد.
بحث و نتیجه‌گیری: مدل پیشنهادی در جامعه‌ی آماری موردمطالعه، عملکرد بهتری در تشخیص بیماری‌های کبدی داشته و می‌تواند به پزشکان در تشخیص زودهنگام این بیماری‌ها و انجام درمان مناسب در مراحل اولیه کمک کرده و درنتیجه مانع از پیشرفت بیماری شود.
نوع مطالعه: پژوهشي(توصیفی- تحلیلی) |
موضوع مقاله:
گوارش و کبد
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
