پیش‌بینی بیماری مولتیپل اسکلروزیس با استفاده از رویکردهای داده‌کاوی جنگل تصادفی و ماشین‌بردار پشتیبان بر اساس الگوریتم ژنتیک

Abstract

زمینه و هدف: مولتیپل اسکلروزیس (MS) یک بیماری التهابی تخریب‌کننده است که روش مهم تشخیص آن استفاده از دستگاه Magnetic resonance imaging (MRI) است، اما ازآنجاکه MRI از یک میدان مغناطیسی بسیار پرقدرت استفاده می‌کند، در صورت وجود اجسام فلزی در بدن بیماران باعث ایجاد اختلال در وضعیت سلامت بیمار، کارکرد دستگاه و نیز انحراف و تاری در تصاویر می‌شود. با توجه به چنین محدودیتی‌ در استفاده از دستگاه MRI نیاز به‌روش کمک غربالگری احساس می‌شود. بنابراین این مطالعه با هدف مقایسه دو مدل ماشین‌بردار پشتیبان (Support vector machine, SVM) و جنگل تصادفی (Random forest, RF) انجام شد. روش بررسی: پژوهش کنونی تحلیلی و از نوع مدل‌سازی بود که از اردیبهشت ۱۳۹۶ تا شهریور ۱۳۹۷ در دانشکده بهداشت دانشگاه علوم پزشکی کرمانشاه انجام شد. روش پیشنهادی پژوهش بر روی مجموعه داده‌های بیماری MS که مشخصات آن‌ها در سیستم ثبت سلامت دانشگاه علوم پزشکی کرمانشاه ثبت گردیده، پیاده‌سازی شد. تعداد افراد مورد مطالعه ۳۱۷ نفر بودند (۱۸۸ نفر مبتلابه بیماری MS و ۱۲۸ نفر فاقد آن). به‌منظور برازش مدل SVM، از تابع کرنل شعاع مبنا (Radial basis function, RBF) که پارامترهای آن با الگوریتم ژنتیک (Genetic algorithm, GA) بهینه‌سازی شده‌اند، استفاده شد. سپس مدل SVM با استفاده از معیارهای صحت، حساسیت و ویژگی با مدل RF مقایسه گردید. یافته‌ها: بر اساس نتایج، صحت، حساسیت و ویژگی مدل SVM به‌ترتیب ۰/۷۹، ۰/۸۰، ۰/۷۸ و برای مدل RF به‌ترتیب ۰/۷۶، ۰/۸۱، ۰/۷۰ به‌دست آمد. نتیجه‌گیری: دو مدل عملکرد مناسبی داشتند، اما با توجه به صحت به‌عنوان یک معیار مهم برای مقایسه عملکرد مدل‌ها در این حوزه، می‌توان گفت مدل SVM کارایی بهتری نسبت به RF در تشخیص بیماری MS داشت.