Tehran University Medical Journal

other پیش‌بینی بیماری مولتیپل اسکلروزیس با استفاده از رویکردهای داده‌کاوی جنگل تصادفی و ماشین‌بردار پشتیبان بر اساس الگوریتم ژنتیک Prognosis of multiple sclerosis disease using data mining approaches random forest and support vector machine based on genetic algorithm مقاله اصیل Original Article <div style="text-align: justify;">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.</div> <div data-select-like-a-boss="1" style="text-align: justify;">Background: Multiple sclerosis (MS) is a degenerative inflammatory disease which is most commonly diagnosed by magnetic resonance imaging (MRI). But, since the MRI device uses of a magnetic field, if there are metal objects in the patient's body, it can disrupt the health of the patient, the functioning of the MRI, and distortion in the images. Due to limitations of using MRI device, screening seems necessary for those patients who have metal objects in their bodies. Therefore, this study is carried out to compare two models: support vector machine and random forest. Methods: This analytical-modelling research was implemented on MS data collection, the specifications of which are recorded in health registry system in School of Public Health, Kermanshah University of Medical Sciences, Iran, from May 2017 to August 2018. For the purpose of this study, a total of 317 subjects were selected as a sample; 188 subjects were diagnosed with MS and 128 subjects showed no symptoms of MS. In order to fit the support vector machine (SVM) model, radial basis kernel function was used. The parameters of this machine were optimized with genetic algorithm. After this step, the support vector machine and random forest (RF) were compared with respect to three factors: accuracy, sensitivity, and specificity. Results: Based upon the obtained results of study, accuracy, sensitivity, and specificity of SVM were 0.79, 0.80, and 0.78, respectively. In comparison, accuracy, sensitivity, and specificity of RF were found to be 0.76, 0.81, and 0.70, respectively. Conclusion: In general, both models which were compared in current study showed desirable performance; however, in term of accuracy, as an important criteria for performance comparison in this area of research, it can be argued that support vector machine can do better than random forest in diagnosing multiple sclerosis.</div> الگوریتم ژنتیک, مولتیپل اسکلروزیس, جنگل تصادفی, ماشین‌بردار پشتیبان genetic algorithm, multiple sclerosis, random forest, support vector machine 33 40 http://tumj.tums.ac.ir/browse.php?a_code=A-10-4218-2&slc_lang=other&sid=1 Amir Hossein Hashemian امیرحسین هاشمیان No Research Center for Environmental Determinants of Health (RCEDH), Kermanshah University of Medical Sciences, Kermanshah, Iran. Department of Biostatistics, School of Health, Kermanshah University of Medical Sciences, Kermanshah, Iran. مرکز تحقیقات عوامل محیطی مؤثر بر سلامت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. گروه آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Sara Manochehri سارا منوچهری saramanochehri0098@gmail.com Yes Department of Biostatistics, Students Research Committee, School of Health, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه آمار زیستی، کمیته تحقیقات دانشجویی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Daryoush Afshari داریوش افشاری No Department of Neurology, Faculty of Medicine, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه نورولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Zohreh Manochehri زهره منوچهری No Department of Biostatistics, Student Research Committee, Hamadan University of Medical Sciences, Hamadan, Iran. گروه آمار زیستی، کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی همدان، همدان، ایران. Nader Salari نادر سالاری No Department of Biostatistics, School of Health, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Soodeh Shahsavari سوده شهسواری No Department of Health Information Management, School of Paramedical, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.