مدل ترکیبی برمبنای الگوریتم بهینه‌ سازی شیرمورچه و k نزدیک ترین همسایه برای تشخیص بیماری کبد

مقدمه: از آن جایی که کلیه بیمارستان‌ ها اعم از دولتی و خصوصی، هزینه‌ های سنگینی را در بخش بیماری کبد تقبل می ‌کنند، ارائه روشی به منظور پیش ‌بینی بیماری کبد ضرورتی اجتناب ‌ناپذیر است. در این مقاله، مدل ترکیبی بر مبنای الگوریتم بهینه‌ سازی شیرمورچه و k نزدیک ترین همسایه به منظور تشخیص بیماری کبد ارائه می‌ گردد. مواد و روش ‌ها: در این مطالعه‌ توصیفی-تحلیلی یک مدل ترکیبی مبتنی بر الگوریتم ‌های یادگیری ماشین برای طبقه ‌بندی افراد به دو دسته سالم و مبتلا به بیماری کبد طراحی شده است. مدل پیشنهادی با استفاده از نرم ‌افزار MATLAB شبیه‌ سازی شده است. مجموعه داده مورد استفاده در این مقاله، مجموعه داده ILPD موجود در مخزن داده یادگیری ماشین دانشگاه ایروین کالیفرنیا است. این مجموعه داده شامل شامل 583 رکورد مستقل شامل 10 ویژگی برای بیماری کبد است. یافته‌ های پژوهش: داده‌ های این مجموعه پس از پیش ‌پردازش به‌ صورت تصادفی به 20 دسته از کل مجموعه داده تقسیم شدند که شامل داده ‌های آموزش و آزمون متفاوت بودند. در هر دسته داده از 90 درصد داده ‌ها برای آموزش و 10 درصد باقی مانده برای آزمایش استفاده شد. نتایج حاصله در بهترین حالت بر مبنای تمامی ویژگی ‌ها بر اساس درصد صحت برابر با 23/95 درصد و بر مبنای معیارهای ویژگی و حساسیت درصد صحت به ترتیب برابر 95/93 درصد و 11/94 درصد می ‌باشد. هم چنین درصد صحت مدل پیشنهادی با 5 ویژگی برابر با 63/98 درصد می‌ باشد. بحث و نتیجه‌ گیری: مدل پیشنهادی به منظور تشخیص و طبقه ‌بندی بیماری کبد با دقت بالای 90 درصد پیشنهاد گردید. نتایج حاصل از این مقاله می ‌تواند برای مراکز درمانی و پزشکان مفید واقع شود.

کلیدواژه ها:

Ant lion optimization (ALO) algorithm ، Classification ، Diagnosis of liver disease ، K-nearest neighbors (KNN) algorithm ، تشخیص بیماری کبد ، الگوریتم بهینه‌ سازی شیرمورچه ، الگوریتم k نزدیک ترین همسایه ، طبقه ‌بندی