مدلی برای تشخیص بیماری‌های کبدی با استفاده از روش‌های یادگیری ماشینی

Abstract

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.