احسان نبوتی؛ امیرعباس عزیزی؛ ابراهیم عباسی؛ حسن وکیلی ارکی؛ جواد زارعی؛ امیررضا رضوی
دوره 10، شماره 6 ، بهمن 1392، ، صفحه 789-799
چکیده
مقدمه: در دههی اخیر الگوریتمهای یادگیری ماشین به ابزار مفیدی جهت دادهکاوی در دادههای پزشکی، برای تولید مدلهای پیشبینی تبدیل شدهاند. سوختگی از جمله بیماریهایی است که پیشبینی پیامد آن از اهمیت زیادی برخوردار است. هدف این مطالعه بررسی عملکرد دو الگوریتم پراستفادهی یادگیری ماشین یعنی شبکهی عصبی و درخت تصمیم و مقایسه ...
بیشتر
مقدمه: در دههی اخیر الگوریتمهای یادگیری ماشین به ابزار مفیدی جهت دادهکاوی در دادههای پزشکی، برای تولید مدلهای پیشبینی تبدیل شدهاند. سوختگی از جمله بیماریهایی است که پیشبینی پیامد آن از اهمیت زیادی برخوردار است. هدف این مطالعه بررسی عملکرد دو الگوریتم پراستفادهی یادگیری ماشین یعنی شبکهی عصبی و درخت تصمیم و مقایسه با روش آماری رگرسیون لجستیک در پیشبینی پیامد بیماران سوختگی بوده است. روش بررسی: در این مطالعه مشاهدهای گذشتهنگر، پس از انجام پردازش اولیهی دادهها و تعیین پیامد (زنده یا فوت)، دو الگوریتم یادگیری ماشین (شبکهی عصبی و درخت تصمیم) به همراه روش آماری رگرسیون لجستیک برای تولید مدلهای پیشبینی روی دادههای 4804 بیمار سوختگی بیمارستان طالقانی اهواز مربوط به سالهای 1380 تا 1386 اعمال گردید. برای پردازش اولیهی دادهها نرمافزار SPSS16 و در مرحلهی مدلسازی از Clementine 12.0 استفاده شد. همچنین با بهکارگیری تکنیک 10-Fold Cross Validation، معیارهای ارزیابی کارایی برای دادههای تست محاسبه و مقایسه شدند. یافتهها: نتایج نشان داد الگوریتم شبکهی عصبی با دقت 97 درصد منجر به دقیقترین مدل روی دادههای مورد مطالعه میشود. مدل درخت تصمیم با دقت 95 درصد در ردهی دوم و مدل رگرسیون لجستیک با دقت 90 درصد کمترین دقت را داشت. سایر معیارهای ارزیابی مانند حساسیت (Sensitivity)، ویژگی (Specificity)، PPV (Positive Predictive Value) و NPV (Negative Predictive Value) و AUC (Area Under the Curve) نیز کارایی مدل شبکهی عصبی را بالاتر از دو مدل دیگر نشان دادند. نتیجهگیری: تحلیل نتایج این مطالعه و مطالعات مشابه نشان میدهند که الگوریتمهای یادگیری ماشین نسبت به روشهای آماری منجر به تولید مدلهای دقیقتری میشوند. بسته به ماهیت و میزان دادهها و همچنین جامعهی پژوهش، الگوریتمهای مختلف یادگیری ماشین، رفتارهای متفاوتی دارند که بهنظر میرسد دقت مدلهای شبکهی عصبی از سایر مدلها بیشتر میباشد. واژههای کلیدی: دادهکاوی؛ یادگیری ماشین؛ پیشبینی؛ درخت تصمیم؛ شبکهی عصبی مصنوعی؛ سوختگیها
مصطفی قادرزاده؛ فرحناز صدوقی؛ آروین کتابت
دوره 9، شماره 4 ، مهر و آبان 1391، ، صفحه 457-464
چکیده
مقدمه: در سالهای اخیر مفاهیم شبکههای عصبی مصنوعی در کشف اولیه و طبقهبندی بیماریها متحمل پیشرفتهای فراوانی شده است. استفاده از شبکههای عصبی به دلیل تواناییهای بالقوهی آن درکاربردهای پزشکی و در پیدا کردن کنش بین متغیرها، تشخیص و مدلسازی بیماریها به طور وسیعی مقبول واقع شده است. هدف از این پژوهش، طراحی و پیادهسازی ...
بیشتر
مقدمه: در سالهای اخیر مفاهیم شبکههای عصبی مصنوعی در کشف اولیه و طبقهبندی بیماریها متحمل پیشرفتهای فراوانی شده است. استفاده از شبکههای عصبی به دلیل تواناییهای بالقوهی آن درکاربردهای پزشکی و در پیدا کردن کنش بین متغیرها، تشخیص و مدلسازی بیماریها به طور وسیعی مقبول واقع شده است. هدف از این پژوهش، طراحی و پیادهسازی سیستم تصمیمیار مبتنی بر شبکههای عصبی مصنوعی به منظور کشف اولیهی سرطان پروستات بود.
روش بررسی: پژوهش حاضر از نوع کاربردی و جامعهی هدف آن متشکل از 360 بیمار مبتلا به ناهنجاریهای پروستات بودند که در فواصل سالهای 90-1388 به بخش اورولوژی بیمارستان امام خمینی (ره) شهر تهران مراجعه نمودند. در این پژوهش به منظور ارزیابی عملکرد سیستم طراحی شده، از شاخصهای حساسیت، ویژگی و صحت در طبقهبندی استفاده گردید. در طراحی هستهی محاسباتی سیستم تصمیمیار بالینی در کشف اولیهی سرطان پروستات از بزرگی خوشخیم آن، از الگوریتم شبکهی عصبی گرادیان توأم مدرج (Scaled conjugate gradient) استفاده شد.
یافتهها: شاخصهای عملکردی این سیستم، ویژگی و حساسیت بودند و عملکرد سیستم تصمیمیار بالینی پیشنهاد شده بر اساس این شاخصها به ترتیب عبارت از 06/97 و 11/92 درصد بود. نتایج سیستم تصمیمیار در تشخیص و طبقهبندی بیماریهای نئوپلازی پروستات، حاکی از پتانسیل بالای سیستمهای مبتنی بر شبکههای عصبی به عنوان ابزاری قوی در طبقهبندی ناهنجاریهای پروستات بود.
نتیجهگیری: در این پژوهش یک سیستم تصمیمیار پزشکی با هدف یاری رساندن به متخصصین در تشخیص و طبقهبندی بیماریهای نئوپلازی پروستات طراحی گردید. سیستمهای هوشمند پزشکی بر مبنای هوش مصنوعی و به خصوص شبکههای عصبی، میتوانند به پزشکان در تشخیص دقیق سرطان پروستات و بزرگی خوشخیم آن کمک نمایند. با استفاده از این سیستمها، بیوپسیهای غیر ضروری و هزینههای تشخیصی کاهش مییابد. به علاوه، این سیستمها میتوانند در به حداقل رساندن زمان فرایندهای تشخیصی بیماریها مؤثر واقع شوند.