مقایسه کارایی انواع سیستم های هوشمند در پیش بینی بقای بیماران مبتلا به سرطان معده

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 843

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICESAL01_052

تاریخ نمایه سازی: 22 مهر 1394

چکیده مقاله:

در این مقاله یک روش هوشمند برای پیش بینی بقای بیماران مبتلا به سرطان معده ارائه شده است.یکی ازمشکلات اساسی مربوط به این بیماری که از کشور های پیشرفته به کشورهای در حال توسعه تغییر مکان داده استتک گیر بودن آن بوده به طوری که تنها حدود 1% تا 3% می تواند به صورت ارثی باشد.امروزه پزشکان با تکیه بر مستندات و آزمایشات علمی و تجربیات خود به وجود این بیماری پی می برند. اما با توجه به حجم انبوه تعداد بیماران، می توان از یک سیستم به منظور پیش بینی بقای بیماران مبتلا به سرطان معده استفاده نمود. نتایج حاصل از پیاده سازی بر روی پایگاه داده جمع آوری شده نشان دهنده کارایی بالاتر روش پیشنهادی در پیش بینی بقای بیماران مبتلا به سرطان معده نسبت به سیستمXCS کلاسیک، شبکه های عصبی ELMAN دسته بندی AD Tree و C4.5 ،KNN ،SVM می باشد.

کلیدواژه ها:

سرطان معده/XCS ، /کلاسیک/XCSLA/الگوریتم های هوش مصنوعی

نویسندگان

احسان صادقی پور

دانشکده فنی و حرفه ای سما، دانشگاه آزاد اسلامی واحد بندرعباس، بندرعباس، ایران

رحمان مهدی زاده

دانشکده فنی و حرفه ای سما، دانشگاه آزاد اسلامی واحد بندرعباس، بندرعباس، ایران

فرزاد حسین زاده

دانشکده فنی و حرفه ای سما، دانشگاه آزاد اسلامی واحد بندرعباس، بندرعباس، ایران

محسن محبی

دانشکده فنی و حرفه ای سما، دانشگاه آزاد اسلامی واحد بندرعباس، بندرعباس، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abeloff MD. Clinical ohcology."" ed.New York, Churchill Livingstone, 2000; PP:1545-157 ...
  • Babamoh ammadi H. Internal Surgery Nursing Textbook. Tehran: Boshra; 2009. ...
  • Baxt WG. and Skora J. Prospective validation of artificial neural ...
  • Bollschweiler EH, Monig SP, Hensler K, Baldus SE , Maruyama ...
  • Coleman MP, Gatta G, Verdecchia A, Esteve J, Sant M ...
  • Fuch CS, Mayer RJ.Gastric carcinoma.N Engl J Med 1995;333(1): 32-41 ...
  • I. H. Witten and E Frank; Data Mining(Practical Machine Learning ...
  • Jobson DJ, Applied Multivariate Data Analysis :Categorical and Multivariate Methods, ...
  • Karakitsos P, Pouliakis A, Koutroumbas K, Stergiou EB , Tzivras ...
  • Kutner MH, Nachtsheim CJ. and Neter J. Applied linear regression ...
  • Latifi-Navid S, Mohammadi S, Maleki P, Zahri S, Yazdanbod A, ...
  • M.Shariat Panahi, N.Moshtaghi Yazdani, An Improved XCSR Classifier Data Mining ...
  • Technology, (ISSN : 2322-2441) Issue 2, 2012 , pp. 52-57. ...
  • Mobley BA, Schecheer E, Moore WE, McKee PA. and Eichner ...
  • Zeraati H, Mahmoudi M, Mohammad M, Kazemnejad A .and Mohagheghi ...
  • نمایش کامل مراجع