دوره 22، شماره 1 - ( 7-1403 )
جلد 22 شماره 1 صفحات 54-41 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ahangarani M, Tarokh M J. Diagnosis of Diabetes Using Machine Learning and Evolutionary Algorithms. sjsph 2024; 22 (1) :41-54
URL: http://sjsph.tums.ac.ir/article-1-6306-fa.html
URL: http://sjsph.tums.ac.ir/article-1-6306-fa.html
آهنگرانی مهرنوش، تارخ محمد جعفر. تشخیص بیماری دیابت با استفاده از یادگیری ماشین و الگوریتمهای تکاملی. مجله دانشکده بهداشت و انستیتو تحقیقات بهداشتی. 1403; 22 (1) :41-54
1- ، mjtarokh@kntu.ac.ir
چکیده: (73 مشاهده)
زمینه و هدف: در سالهای اخیر، یادگیری ماشین و الگوریتمهای تکاملی توجه پژوهشگران و متخصصین در حوزههای مختلف، به ویژه حوزه سلامت را به جنبههای کاربردی آنها در پردازش مجموعه دادههای کلان برای ارائه بینشهای مفید به خود جلب کردهاند. از طرف دیگر، تشخیص سریع و دقیق بیماری دیابت یکی از مهم‌ترین مسائل در پزشکی است و افزایش نرخ ابتلا به این بیماری برای جوامع جهانی نگرانی‌های بسیاری را به همراه داشته است. مطالعه حاضر با هدف ایجاد یک مدل تشخیصی مبتنی بر الگوریتمهای تکاملی و یادگیری ماشین جهت تشخیص بیماری دیابت انجام شد.
روش کار: این پژوهش یک چارچوب مبتنی بر تشخیص هوشمند بیماری دیابت را ارائه میدهد. روش پیشنهادی شامل دو مرحله اصلی است: مرحله اول شامل رویکرد طبقهبندی با استفاده از الگوریتمهای K-نزدیکترین همسایه و جنگل تصادفی است. مرحله دوم شامل رویکرد ترکیبی انتخاب ویژگی و طبقهبندی به منظور بهبود نتایج مرحله اول است که در آن از الگوریتمهای بهینهساز گرگ خاکستری، بهینهساز نهنگ و بهینهساز ازدحام ذرات جهت انتخاب ویژگی استفاده شده است. در این تحقیق از مجموعه داده دیابت هندی پیما استفاده شده است. تجزیه و تحلیل مقایسهای بین رویکردهای مختلف از طریق شاخصهای ارزیابی دقت، صحت و فراخوانی و امتیاز F1 انجام شده است.
نتایج: پس از مقایسه های تطبیقی بین مدلهای پیشنهادی، مدل جنگل تصادفی مبتنی بر بهینهساز گرگ خاکستری با صحت پیشبینی 81/38% به عنوان مدل نهایی انتخاب و معرفی شد.
نتیجه گیری: نتایج حاصل از این پژوهش نشان میدهد که استفاده از الگوریتمهای تکاملی در کنار مدلهای یادگیری ماشینی، میتواند کارایی و صحت تشخیص بیماری دیابت و عوارض ناشی از آن را در بیشتر مواقع افزایش دهد.
روش کار: این پژوهش یک چارچوب مبتنی بر تشخیص هوشمند بیماری دیابت را ارائه میدهد. روش پیشنهادی شامل دو مرحله اصلی است: مرحله اول شامل رویکرد طبقهبندی با استفاده از الگوریتمهای K-نزدیکترین همسایه و جنگل تصادفی است. مرحله دوم شامل رویکرد ترکیبی انتخاب ویژگی و طبقهبندی به منظور بهبود نتایج مرحله اول است که در آن از الگوریتمهای بهینهساز گرگ خاکستری، بهینهساز نهنگ و بهینهساز ازدحام ذرات جهت انتخاب ویژگی استفاده شده است. در این تحقیق از مجموعه داده دیابت هندی پیما استفاده شده است. تجزیه و تحلیل مقایسهای بین رویکردهای مختلف از طریق شاخصهای ارزیابی دقت، صحت و فراخوانی و امتیاز F1 انجام شده است.
نتایج: پس از مقایسه های تطبیقی بین مدلهای پیشنهادی، مدل جنگل تصادفی مبتنی بر بهینهساز گرگ خاکستری با صحت پیشبینی 81/38% به عنوان مدل نهایی انتخاب و معرفی شد.
نتیجه گیری: نتایج حاصل از این پژوهش نشان میدهد که استفاده از الگوریتمهای تکاملی در کنار مدلهای یادگیری ماشینی، میتواند کارایی و صحت تشخیص بیماری دیابت و عوارض ناشی از آن را در بیشتر مواقع افزایش دهد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
بهداشت عمومی
دریافت: 1403/7/25 | پذیرش: 1403/7/10 | انتشار: 1403/7/10
دریافت: 1403/7/25 | پذیرش: 1403/7/10 | انتشار: 1403/7/10
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
