ارایه یک سیستم ترکیبی هوشمند به منظور تشخیص بیماری کبد

تشخیص به موقع و صحیح بیماری های کبد، نقش بسیار کلیدی در پیشگیری و درمان سرطان کبد ایفا می نماید. هدف از انجام این پژوهش، تشخیص بیماری کبد با استفاده از ویژگی های استخراج شده از آزمایش خون و الگوریتم های داده کاوی است. از آن جایی که ویژگی های غیر موثر، منجر به کاهش دقت یک سیستم می شود و انتخاب ویژگی از مسایل چالش برانگیز در طی فرایند داده کاوی است، در این مطالعه بر آن شدیم که اقدام به طراحی سیستمی نماییم که علاوه بر کاهش تعداد ویژگی ها، دقت تشخیص را نیز افزایش دهد. در این پژوهش از داده های پایگاه داده ILPD موجود در UCI استفاده شده است. این پایگاه، شامل اطلاعات ۱۶۷ بیمار غیر کبد و ۴۱۶ بیمار کبد با ۱۰ ویژگی می باشد. در این مطالعه، برای کاهش تعداد ویژگی ها از الگوریتم بهینه سازی ازدحام ذرات باینری به عنوان راهبرد جستجو و از شبکه عصبی به عنوان تابع ارزیابی استفاده شده است و در نهایت تکنیک رده بندی جنگل تصادفی برای افزایش دقت تشخیص سیستم ارایه شده، به کار برده شده است. سیستم پیشنهادی با استفاده از ترکیب روش های مذکور، موفق شد تعداد ویژگی ها را به ۸ ویژگی کاهش داده و به دقت ۷۶.۲ دست یابد. از مقایسه این روش با دیگر روش های موجود به عملکرد قابل قبول آن پی خواهیم برد.

Keywords:

الگوریتم ازدحام ذرات باینری(BPSO) , انتخاب ویژگی , بیماری کبد , جنگل تصادفی , داده کاوی , رده بندی , شبکه عصبی