رویا زارع فرخادی - هیئت علمی گروه کامپیوتر نرم افزار، موسسه آموزش عالی و غیرانتفاعی رشدیه تبریز
فاطمه هادی مقدم - دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار، موسسه آموزش عالی و غیرانتفاعی رشدیه تبریز

طی سالهای اخیر، تشخیص علائم بیماری کبدی به رغم افزایش شمار مبتلایان به آن با دشواریهایی همراه بوده است. اگرچه مدلهایبسیاری در زمینه ی تشخیص نارسایی کبدی وجود دارد، اما هر یک از آنها با محدودیتهایی همراه بوده و مسئله ی پیشبینی نارساییکبد همچنان به طور کامل حل نشده است. درپژوهش حاضر، برای پیشبینی ریسک یا احتمال نارسایی کبدی از پایگاه داده ی بیمارانکبدی هند بهره گرفته و به بررسی این مسئله پرداخته ایم. در این تحقیق شبکه عصبی مصنوعی چندلایه بعنوان طبقه بند اصلی بیماریکبد معرفی شدند. پس از پیاده سازی عملکرد طبقه بند شبکه عصبی مصنوعی چندلایه با سه طبقه بند دیگر رگرسیون لجستیک، جنگلتصادفی، بیزین ساده ، مورد مقایسه قرار گرفت. مشاهده شد که طبقه بند پرسپترون چند لایه با درصدصحت ۷۴ % از سه طبقه بند رگرسیونلجستیک، جنگل تصادفی، بیزین ساده در تشخیص بیماری کبد با بکار گیری مجموعه داده بیماران کبد هند پیشی گرفت. از این رو،مدلهای توسعه یافته توسط ما ارائه دهندگان مراقبتهای درمانی را قادر میسازد تا بیماران در معرض خطر نارسایی کبدی را شناساییکرده و مداخلات اولیه را تسهیل کنند، که در نتیجهی آن احتمالا عوارض و مرگومیر مرتبط با این بیماری نیز به حداقل رسیده و یا از آنهاجلوگیری میشود.

پرسپترون، شبکه عصبی مصنوعی، لجستیک، عصبی چند لایه .