پیش بینی بقاء بیماران مبتلا به لوسمی حاد با استفاده از شبکه های عصبی مصنوعی
- سال انتشار: 1395
- محل انتشار: چهارمین کنفرانس بین المللی پژوهش های کاربردی درمهندسی کامپیوتر و پردازش سیگنال
- کد COI اختصاصی: CEPS04_114
- زبان مقاله: فارسی
- تعداد مشاهده: 627
نویسندگان
استادیار گروه کامپیوتر و فناوری اطلاعات، دانشگاه تربت حیدریه، خراسان رضوی، ایران
دانشجو کامپیوتر دانشگاه تربت حیدریه، خراسان رضوی، ایران
دانشجوی دکترای آمار زیستی، مرکز توسعه تحقیقات بالینی بیمارستان کودکان، دانشگاه علوم پزشکی هرمزگان، بندرعباس، ایران
چکیده
لوسمی حاد، بدخیمیهایی با سیر پیش رونده سریع هستند که پیشسازهای آنها سلولهای لنفوییدی و یا میلوییدی است. مطالعه عوامل پیش آگهی دهنده بر بقا و درمان این بیماری از اهمیت ویژهای در تحقیقات پزشکی برخوردار میباشد لذا این مطالعه با هدف تحلیل بقای بیماران مبتلا به لوسمی حاد و در ادامه پیشبینی مرگ این بیماران با استفاده از الگوی شبکه عصبی است. در یک مطالعه گذشتهنگر با مراجعه و انتخاب کلیه پروندههای بیماران مبتلا بهلوسمی حاد بیمارستان سیدالشهدا اصفهان، اطلاعات 197 بیمار به وسیله یک چک لیست جمعآوری و با تماس تلفنی از وضعیت نهایی آنها (مرده یا زنده) مطلع شدیم. پس از جمعآوری دادهها از شبکه عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار خطا جهت تحلیل وضعیت بقاء و پیشبینی مرگ بیماران لوسمی حاد استفاده شده است. برای تحلیل اطلاعات از نرمافزارهای اس پی اس اس 19 و متلب ستفاده شد. از بین شبکههای عصبی مختلف برای پیشبینی بقا که از نظر تعداد نورونها و وزن اولیه با هم متفاوت هستند، شبکه عصبی با 47 نورون در لایه میانی و وزن اولیه 9 به عنوان مدل برتر انتخاب شد که کارایی این شبکه 8,73 %میباشد. همچنین برای پیشبینی وضعیت نهایی بیماران، شبکه عصبی با 67 نورون در لایه میانی و وزن اولیه 091418351 به عنوان بهترین مدل انتخاب شد که دقت این شبکه 83,88 %می- باشد. به دلیل دقت بالای مدلهای شبکه عصبی در پیشبینی، استفاده از مدلهای مختلف شبکه عصبی در پیشبینی بقا و توسعه آنها در حوزههای مختلف علوم پزشکی پیشنهاد میشود همچنین در شبکه عصبی افزون بر تغییر تعداد لایهها و نورونهای هر لایه میتوان وزن اولیه که توسط شبکه به صورت تصادفی انتخاب میشود را تغییر داد.کلیدواژه ها
لوسمی حاد، شبکه عصبی مصنوعی، پرسپترون، تحلیل بقامقالات مرتبط جدید
- سیستم تشخیص نفوذ در محیط رایانش ابری با استفاده از یادگیری ویژ گی
- کاهش هزینه تعمیراتی ماشین های سنگین از طریق بهبود الگوریتم درخت تصمیم با الگوریتم های انتخاب ویژگی Information Gain ،Correlation و SVM
- پردازش کوانتومی تصاویر پزشکی و تشخیص لبه آن با استفاده از الگوریتم QHED
- بررسی و مقایسه روشهای تشخیص اکانت های جعلی در شبکه های اجتماعی
- مکان یابی و مقدار بهینه منابع تولید پراکنده به منظورکاهش تلفات و بهبود انحراف ولتاژ شبکه نامتعادل توزیع
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.