جستجو در مقالات منتشر شده


5 نتیجه برای شبکه عصبی مصنوعی
مقایسه مدل شبکه عصبی مصنوعی و رگرسیون پارامتری در پیش‌بینی بقای بیماران مبتلا به سرطان معده
اکبر بیگلریان، ابراهیم حاجی زاده، انوشیروان کاظم نژاد،
دوره 6، شماره 3 - ( 9-1389 )
چکیده
مقدمه و اهداف: یکی از روش‌های تحلیل داده‌های بقا، استفاده از مدل‌های پارامتری است که در آن باید توزیع زمان بقا مشخص باشد. در چند دهه اخیر، از مدل شبکه عصبی مصنوعی نیز برای پیش‌بینی داده‌های بقا استفاده شده است. هدف این مطالعه، پیش‌بینی بقای بیماران مبتلا به سرطان معده به کمک دو مدل پارامتری و مدل شبکه عصبی مصنوعی است.
روش کار: طی سال‌های 1381 لغایت 1385، تعداد 436 بیمار مراجعه کننده با تشخیص قطعی سرطان معده که در بخش گوارش بیمارستان طالقانی تحت عمل جراحی قرار گرفتند به صورت همگروه تاریخی مطالعه شدند. داده‌ها به تصادف به دو گروه آموزشی و آزمایشی تقسیم شدند. برای تحلیل داده‌ها از یک مدل پارامتری مناسب (از بین مدل‌های نمایی، وایبول، نرمال، لگ نرمال، لجستیک و لگ لجستیک) و مدل شبکه عصبی مصنوعی سه لایه استفاده شد. برای مقایسه پیش‌بینی‌های دو مدل، از سطح زیر منحنی مشخصه عملکرد، صحت کلاس‌بندی و شاخص هماهنگی استفاده شد.
نتایج: صحت پیش‌بینی مدل شبکه عصبی برابر 45/79 درصد و مدل پارامتری مناسب (وایبول) برابر 97/73 درصد گردید. سطح زیر منحنی مشخصه عملکرد برای مدل شبکه عصبی و پارامتری وایبول به ترتیب برابر 5/81 درصد و 8/74 درصد به دست آمد.
نتیجه‌گیری: مدل شبکه عصبی مصنوعی نسبت به مدل پارامتری پیش‌بینی‌های بهتری نتیجه داد. لذا بکارگیری این نوع مدل‌ها در زمینه پیش‌بینی بقا پیشنهاد می‌شود. این امر در تحقیقات مرتبط با حوزه سلامت و به خصوص در تخصیص منابع درمانی لازم برای افرادیکه پرمخاطره پیش‌بینی می‌شوند بسیار با اهمیت است.
طراحی شبکه عصبی مصنوعی برای مدل‌بندی پاسخ‌های دو متغیره آمیخته و کاربرد آن در داده‌های پزشکی
مرتضی سدهی، یداله محرابی، انوشیروان کاظم نژاد، وحید جوهری مجد، فرزاد حدائق،
دوره 6، شماره 4 - ( 12-1389 )
چکیده
مقدمه و اهداف: زمانی که در یک مطالعه متغیرهای پاسخ دارای مقیاس اندازه‌گیری متفاوت باشند، پاسخ‌ها را چندمتغیره آمیخته می‌گویند. با توجه به محدودیت‌ها و برقرارنبودن برخی پیش‌ فرض‌ها، روش‌های کلاسیک آماری برای مدل‌بندی و پیش‌بینی این نوع پاسخ‌ها کارایی ندارند. هدف این مطالعه، طراحی شبکه عصبی مصنوعی برای مدل‌بندی و پیش‌ینی پاسخ‌های دومتغیره آمیخته است.
روش کار: این مطالعه شامل سه مرحله طراحی مدل، شبیه‌سازی و برازش مدل بر داده‌های واقعی است. پس از طراحی مدل، با در نظر گرفتن پارامترهای مختلف، دو مجموعه داده شبیه‌سازی و مدل‌های یک‌ متغیره و دومتغیره مورد ارزیابی قرار گرفتند. برای آموزش شبکه از الگوریتم شیب توام مقیاس شده و برای تعیین مناسب‌ترین مدل از معیار صحت پیش‌بینی استفاده شد. مدل پیشنهادی برای پیش‌بینی توام سندرم متابولیک و شاخص مقاومت به انسولین در مطالعه قند و لیپید تهران به‌کار گرفته شد. برنامه‌های رایانه‌ای در نرم‌افزارهایR 2.9.0 و MATLAB 7.6 طراحی و اجرا گردید.
نتایج: در مجموعه شبیه‌سازی اول، صحت پیش‌بینی در مدل‌های یک متغیره و دومتغیره تقریبا یکسان ولی در مجموعه شبیه‌سازی دوم، در مدل‌های دو متغیره نسبت به مدل‌های یک متغیره بیشتر است. در مدل‌های دو متغیره، صحت پیش‌بینی مدل با افزایش همبستگی متغیرهای پاسخ، بیشتر می‌شود. در داده‌های واقعی مدل با 10 گره در لایه میانی دارای بیشترین صحت پیش‌بینی است.
 نتیجه‌گیری: تحقیق نشان داد، در حالتی‌که دو متغیر پاسخ با متغیرهای کمکی ارتباط دارند مدل دومتغیره نسبت به یک متغیره مناسب‌تر است و با افزایش همبستگی، صحت پیش‌بینی افزایش می‌یابد.
پیش‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎بینی بقای بیماران مبتلا به سرطان پستان با استفاده از دو مدل رگرسیون لجستیک و شبکه عصبی مصنوعی
آذر اسد آبادی، عباس بهرامپور، علی اکبر حقدوست،
دوره 10، شماره 3 - ( 9-1393 )
چکیده

مقدمه و اهداف: در سال‎های اخیر، توجه قابل ملاحظه‎ای به مدل‎های آماری برای طبقه‎بندی داده‎های پزشکی با توجه به بیماری‎های مختلف و پیامدهای آن‎ها شده است. شبکه‎های عصبی مصنوعی به دلیل عدم نیاز به پیش‌فرض با موفقیت برای تشخیص الگو و پیش‎بینی در برخی از مطالعه‌های بالینی استفاده شده‎اند. هدف از این مطالعه، مقایسه دو مدل آماری شبکه عصبی مصنوعی و رگرسیون لجستیک برای پیش‌بینی بقای بیماران مبتلا به سرطان پستان است.

روش کار: دو مدل برای داده‎های ثبت سرطان کرمان، جنوب شرق ایران، برای پیش‌بینی بقای هر بیمار به کار برده شدند. داده‎‎‎‎‎‎‎های مورد استفاده در این مطالعه شامل 712 بیمار مبتلا به سرطان پستان در گروه سنی 85-15 سال بود. برای مقایسه پیش‌بینی
بقا در داده‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎های یاد شده، از مدل رگرسیون لجستیک و مدل شبکه عصبی مصنوعی پرسپترون سه لایه استفاده شد.
برای مقایسه و تعیین تفاوت دو مدل، از حساسیت، ویژگی، صحت پیش‎بینی و سطح زیر منحنی مشخصه عملکرد (ROC)
 (Receiver Operative Characteristics) استفاده گردید.

نتایج: در این مطالعه، حساسیت و ویژگی دو مدل رگرسیون لجستیک و شبکه عصبی مصنوعی به ترتیب (594/0 و 70/0) و (621/0 و 723/0) به دست آمد. هم‌چنین صحت و سطح زیر منحنی راک به ترتیب (688/0و 725/0) و (70/0و 725/0) برای دو مدل رگرسیون لجستیک و شبکه عصبی پرسپترون بود.

نتیجه‏گیری: یافته‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎ها نشان می‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎دهند اگرچه تفاوت کمی در دو مدل وجود دارد، اما در این‎گونه داده‎ها برای پیش‎بینی بقای بیماران مبتلا به سرطان پستان، مدل شبکه عصبی مصنوعی ابزار مناسب‌تری می‌باشد.


پیش‌بینی تعداد موارد بروسلوز براساس پارامترهای اقلیمی با استفاده از روش‌های داده کاوی شبکه‌های عصبی مصنوعی پرسپترون چند لایه، تابع پایه شعاعی و نزدیک‌ترین همسایگی
لیلی تاپاک، نسرین شیر محمدی خرم، امید حمیدی، زهره مریانجی،
دوره 14، شماره 2 - ( 6-1397 )
چکیده

مقدمه و اهداف: شناسایی مدل‏های آماری دارای پیش‏بینی‏های دقیق در تعیین دقیق و به‌هنگام طغیان بیماری‏های عفونی در نظام مراقبت بهداشتی این بیماری‏ها بسیار با اهمیت است. این مطالعه با هدف ارزیابی و مقایسه عملکرد سه روش یادگیری ماشین در مدل‏سازی و پیش‏بینی سری زمانی بروسلوز بر اساس پارامترهای اقلیمی انجام شد.
روش کار: در این مطالعه موارد بروسلوز انسانی و پارامترهای اقلیمی به‌صورت ماهانه، در طول 12 سال (95-1383) از استان همدان واقع در غرب ایران تحلیل شد. داده‏ها به دو زیرمجموعه آموزش (80 درصد) و آزمون (20 درصد) تقسیم شد. روش‏های تابع پایه شعاعی و چند لایه پروسپترون و نزدیک‌ترین همسایه سری زمانی به هر زیرمجموعه برازش شد. ارزیابی عملکرد مدل‏ها با استفاده از معیارهای RMSE، MAE، MRAE، R2 و ICC انجام شد.
یافته‌ها: نتایج نشان داد که مقادیر معیارهای (79/23)RMSE، (56/20)MAE، (25/0)MRAE برای مدل شبکه عصبی چند لایه پرسپترون کوچک‌تر از مقادیر آن‏ها در دو مدل دیگر بود. هم‌چنین، در این مدل مقادیر بزرگ‌تری برای معیارهای (61/0)R2 و (75/0)ICC به‌دست آمد. بنابراین مدل شبکه‌ی عصبی چند لایه پرسپترون در پیش‏بینی داده‏های مورد مطالعه عملکرد بهتری داشت. دما نسبت به سایر پارامترهای اقلیمی مؤثرترین عامل در بروز این بیماری بود.
نتیجه‌گیری: شبکه عصبی چندلایه پرسترون می‏تواند به‌عنوان یک روش کارا برای تشخیص رفتار روند بروسلوز در طول زمان به کار رود. با این حال مطالعات بیش‌تری با هدف کاربرد و مقایسه این‏ روش‏ها برای شناسایی مناسب‏ترین روش پیش‏بینی روند این بیماری مورد نیاز است.
مدل‌سازی تغییرات مکانی-زمانی بروز لیشمانیوز جلدی در استان‌های خراسان جنوبی، رضوی و شمالی در شمال شرق ایران براساس معیارهای محیطی و اکولوژیک
محمد جوانبخت، میثم ارگانی، کیوان عزی مند، عابدین ثقفی پور،
دوره 17، شماره 1 - ( 3-1400 )
چکیده
مقدمه و اهداف: شرایط محیطی در مناطق مختلف جغرافیایی زمینه را برای شیوع برخی از بیماری‌ها فراهم می‌کند. لیشمانیوز جلدی یک تهدید جدی برای سلامت عمومی جامعه محسوب می‌شود و در زمره بیماری‌های همه‌گیر منتقله به‌وسیله بندپایان است. شیوع و توزیع این بیماری تحت تأثیر عوامل محیطی و اقلیمی قرار دارد. مطالعه حاضر باهدف مدل‌سازی تغییرات مکانی زمانی بروز  این بیماری براساس معیارهای محیطی و اکولوژیک انجام‌شده است.
روش کار: شمال شرق ایران به‌عنوان منطقه موردمطالعه انتخاب شد. داده‌های مورداستفاده در این تحقیق شامل پوشش گیاهی، دمای سطح، بارش، تبخیر و تعرق، رطوبت خاک، مدل رقومی ارتفاع و تعداد ساعات آفتابی بودند. برای مدل‌سازی تغییرات زمانی و مکانی لیشمانیوز جلدی از روش شبکه عصبی مصنوعی استفاده گردید.
یافته‌ها: تغییرات مکانی بروز این بیماری روندی شمالی- جنوبی دارد و از شمال به جنوب کاهش می‌یابد. همچنین دو کانون در مناطق با ارتفاع متوسط در دو استان خراسان شمالی و جنوبی شناسایی شد. تغییرات زمانی بروز بیماری در طی دوره نشان داد که از سال 1390 تا 1395 بروز در دو کانون شناسایی‌شده سیر نزولی داشته است.
نتیجه‌گیری: بر اساس نتایج مدل‌سازی مقدار ضریب رگرسیون برای مدل شبکه عصبی ساخته‌شده بر مبنای هر سه نوع دادهٔ آموزش، اعتبار سنجی، آزمون 92/0 بود که نشان‌دهنده کیفیت مناسب مدل شبکه عصبی ساخته‌شده است. همچنین نتایج آنالیز حساسیت نشان داد که ساعات آفتابی و رطوبت خاک بالاترین تأثیر در تابع مدل را داشته است. 

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به مجله اپیدمیولوژی ایران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb