دوره 77، شماره 1 - ( فروردین 1398 )                   جلد 77 شماره 1 صفحات 33-40 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Hashemian A H, Manochehri S, Afshari D, Manochehri Z, Salari N, Shahsavari S. Prognosis of multiple sclerosis disease using data mining approaches random forest and support vector machine based on genetic algorithm. Tehran Univ Med J. 2019; 77 (1) :33-40
URL: http://tumj.tums.ac.ir/article-1-9561-fa.html
هاشمیان امیرحسین، منوچهری سارا، افشاری داریوش، منوچهری زهره، سالاری نادر، شهسواری سوده. پیش‌بینی بیماری مولتیپل اسکلروزیس با استفاده از رویکردهای داده‌کاوی جنگل تصادفی و ماشین‌بردار پشتیبان بر اساس الگوریتم ژنتیک. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1398; 77 (1) :33-40

URL: http://tumj.tums.ac.ir/article-1-9561-fa.html


1- مرکز تحقیقات عوامل محیطی مؤثر بر سلامت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. گروه آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
2- گروه آمار زیستی، کمیته تحقیقات دانشجویی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. ، saramanochehri0098@gmail.com
3- گروه نورولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
4- گروه آمار زیستی، کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی همدان، همدان، ایران.
5- گروه آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
6- گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
چکیده:   (443 مشاهده)
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.
متن کامل [PDF 358 kb]   (173 دریافت)    
نوع مطالعه: مقاله اصیل |

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Tehran University Medical Journal TUMS Publications

Designed & Developed by : Yektaweb