جلد 22، شماره 1 - ( 1-1398 )
جلد 22 شماره 1 صفحات 77-61 |
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:
Ardam S, Soleimanian Gharehchopogh F. Diagnosing Liver Disease using Firefly Algorithm based on Adaboost. jha 2019; 22 (1) :61-77
URL: http://jha.iums.ac.ir/article-1-2895-fa.html
URL: http://jha.iums.ac.ir/article-1-2895-fa.html
آردم شیدا، سلیمانیان قره چپق فرهاد. تشخیص بیماری کبد با الگوریتم کرم شب‌تاب مبتنی بر الگوریتم آدابوست. فصلنامه مدیریت سلامت. 1398; 22 (1) :61-77
1- گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه
2- گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه ،bonab.farhad@gmail.com
2- گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه ،
چکیده: (5787 مشاهده)
مقدمه: بیماری کبدی یکی از بیماری‌های شایع و خطرناک می‌باشد و تشخیص بهموقع این بیماری می‌تواند در پیشگیری از عوارض، کنترل و درمان بیماری بسیار موثر باشد. هدف پژوهش حاضر بهبود الگوریتم آدابوست با الگوریتم کرم شب‌تاب برای تشخیص بیماری کبد می‌باشد.
روش ها: مطالعه حاضر، از نوع توصیفی-تحلیلی می‌باشد. مجموعه داده آن شامل 583 رکورد مستقل شامل 10 ویژگی موجود در مجموعه داده یادگیری ماشین دانشگاه کالیفرنیا، ایروین ((UCI) University of California, Irvine) می‌باشد. در این مقاله از ترکیب الگوریتم آدابوست و کرم شب‌تاب در راستای افزایش کارایی تشخیص بیماری کبد استفاده شده است. از 80 درصد داده‌ها جهت آموزش و از 20 درصد باقی‌مانده جهت آزمون استفاده شده است که این مبنا توسط ارزیابی‌های مختلف انتخاب شده است.
یافته ها: نتایج نشان داد که عملکرد مدل ترکیبی با انتخاب ویژگی در مقایسه با حالت بدون انتخاب ویژگی بهتر است. البته انتخاب ویژگی‌های مهم در عملکرد مدل ترکیبی موثر هستند. درصد صحت (accuracy) مدل ترکیبی با پنج ویژگی در بهترین حالت برابر با 6/98 درصد و درحالت کلی و با تمام ویژگی‌ها برابر با 1/94 درصد است. در مقایسه کلی، مدل ترکیبی در مقایسه با اغلب مدل‌های داده کاوی از درصد صحت بیشتری برخوردار است.
نتیجه‌گیری: با توجه به نتایج به دست آمده مطالعه حاضر، مدل ترکیبی در تشخیص و طبقه‌بندی افراد سالم و ناسالم می‌تواند نقش مؤثری در کمک به پزشکان داشته باشد و در مراکز پزشکی برای بالا بردن دقت، سرعت و کاهش هزینه‌ها می‌توان از این مدل استفاده نمود. نمی‌توان ادعا کرد که مدل ترکیبی در مقایسه با کل مدل‌ها بهتر است اما در مقایسه با بیشتر مدل‌ها دارای درصد صحت بیشتری است.
روش ها: مطالعه حاضر، از نوع توصیفی-تحلیلی می‌باشد. مجموعه داده آن شامل 583 رکورد مستقل شامل 10 ویژگی موجود در مجموعه داده یادگیری ماشین دانشگاه کالیفرنیا، ایروین ((UCI) University of California, Irvine) می‌باشد. در این مقاله از ترکیب الگوریتم آدابوست و کرم شب‌تاب در راستای افزایش کارایی تشخیص بیماری کبد استفاده شده است. از 80 درصد داده‌ها جهت آموزش و از 20 درصد باقی‌مانده جهت آزمون استفاده شده است که این مبنا توسط ارزیابی‌های مختلف انتخاب شده است.
یافته ها: نتایج نشان داد که عملکرد مدل ترکیبی با انتخاب ویژگی در مقایسه با حالت بدون انتخاب ویژگی بهتر است. البته انتخاب ویژگی‌های مهم در عملکرد مدل ترکیبی موثر هستند. درصد صحت (accuracy) مدل ترکیبی با پنج ویژگی در بهترین حالت برابر با 6/98 درصد و درحالت کلی و با تمام ویژگی‌ها برابر با 1/94 درصد است. در مقایسه کلی، مدل ترکیبی در مقایسه با اغلب مدل‌های داده کاوی از درصد صحت بیشتری برخوردار است.
نتیجه‌گیری: با توجه به نتایج به دست آمده مطالعه حاضر، مدل ترکیبی در تشخیص و طبقه‌بندی افراد سالم و ناسالم می‌تواند نقش مؤثری در کمک به پزشکان داشته باشد و در مراکز پزشکی برای بالا بردن دقت، سرعت و کاهش هزینه‌ها می‌توان از این مدل استفاده نمود. نمی‌توان ادعا کرد که مدل ترکیبی در مقایسه با کل مدل‌ها بهتر است اما در مقایسه با بیشتر مدل‌ها دارای درصد صحت بیشتری است.
نوع مقاله: پژوهشي |
موضوع مقاله:
مدیریت اطلاعات سلامت
دریافت: 1397/10/15 | پذیرش: 1398/7/2 | انتشار: 1398/7/2
دریافت: 1397/10/15 | پذیرش: 1398/7/2 | انتشار: 1398/7/2
فهرست منابع
1. 1 Feizabadi M, Vaziri E, Haseli D. Analysis of the Factors Influencing Citations in Systematic Reviews of Medical Research in Iran. JHA. 2017; 20 (68): 86-98.
2. Jahani J, Rezaeenoor M, Mahdavi M, Hadavandi E. Prediction of diabetes by Neural Network. JHA. 2017; 20 (67):24-35.
3. Rezaii Farokh Zad M, Soleimanian Gharehchopogh F. Determining Fuzzy Logic Parameters by using Genetic Algorithm for the Diagnosis of Liver Disease. Journal of Health and Biomedical Informatics. 2018; 5 (3):384-397.
4. Jin XY, Jin QL, Yang X. A Disease Detection Method of Liver Based on Improved Back Propagation Neural Network. 8th International Symposium on Computational Intelligence and Design (ISCID). 2015; 2: 111-113. [DOI:10.1109/ISCID.2015.17]
5. Kumar SS, Devapal D. Survey on recent CAD system for liver disease diagnosis, International Conference on Control. Instrumentation, Communication and Computational Technologies (ICCICCT). 2014; 763-766. [DOI:10.1109/ICCICCT.2014.6993061]
6. Sebastian A, Varghese SM. Fuzzy logic for Child-Pugh classification of patients with cirrhosis of liver. International Conference on Information Science (ICIS); 2016; 168-171. [DOI:10.1109/INFOSCI.2016.7845320]
7. Lee CC, Chen SH, Chiang YC. Automatic Liver Diseases Diagnosis for CT Images Using Kernel-Based Classifiers, World Automation Congress. 2006; 1-5. [DOI:10.1109/WAC.2006.375736]
8. Ribeiro RT, Marinho RT, Sanches JM. Classification and Staging of Chronic Liver Disease from Multimodal Data. IEEE Transactions on Biomedical Engineering. 2013; 60(5):1336-1344. [DOI:10.1109/TBME.2012.2235438]
9. Heydari M, and Teymouri M. [Prediction of Hepatic Failure Using Artificial Neural Network and Genetic Algorithm]. National Computer Engineering Conference and Sustainable Development with a Focus on Computer Networks, Modeling and Systems Security, Mashhad, Khavaran Higher Education Institution. 2014. (In Persian)
10. Lin R, and Chuang C. A Hybrid Diagnosis Model for Determining the Type of the Liver Disease, Computers in Biology and Medicine; 2010; 40: 665-670. [DOI:10.1016/j.compbiomed.2010.06.002]
11. Pahareeya J, Vohra R, Makhijani J, and Patsariya S. Liver Patient Classification using Intelligence Techniques, International Journal Of Advanced Research in Computer Science and Software Engineering. 2014; 295-299.
12. Abdar M, Zomorodi-Moghadam M, Das R, Ting IH. Performance analysis of classification algorithms on early detection of liver disease, Expert Systems with Applications. 2017; 67: 239-251. [DOI:10.1016/j.eswa.2016.08.065]
13. Mazaheri P, Norouzi A, Karimi A, and Kazemi M. [Using Decision Tree Algorithm for Early Detection of Hepatic Disease]. Second National Conference on Technology, Energy, and Data with the Approach of Electrical and Computer Engineering. Kermanshah. IEEE Association. Kurdistan Student Branch. 2016. (In Persian).
14. Samavat M, and Safara F. [A Comprehensive Intelligent System for Diagnosis of Liver Disease]. 2nd International Knowledge Based Research Conference in Computer Engineering and Information Technology. Tehran, Majlisi University. 2017. (In Persian)
15. Christopher J, Nehemiah HK and Kannan A. A Swarm Optimization Approach for Clinical Knowledge Mining. Computer Methods and Programs in Biomedicine; 2015. 1-43. [DOI:10.1016/j.cmpb.2015.05.007]
16. https://archive.ics.uci.edu/ml/datasets/ILPD+(Indian+Liver+Patient+Dataset)
17. Yang XS. Nature-Inspired Meta-heuristic Algorithms, Luniver Press. 2008.
18. Freund Y, and Schapire RE. A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences. 1997; 5(1): 119-139. [DOI:10.1006/jcss.1997.1504]
19. Jain S, Shukla S, Wadhvani R. Dynamic selection of normalization techniques using data complexity measures. Expert Systems with Applications. 2018; 106: 252-262. [DOI:10.1016/j.eswa.2018.04.008]
20. Han J, & Kamber M. Data mining: Concepts and techniques, Morgan Kuafmann Publish, 2006.
21. Wu H, Yang S, Huang Z, He J, Wang X, Type 2 diabetes mellitus prediction model based on data mining. Informatics in Medicine Unlocked. 2018; 10:100-107. [DOI:10.1016/j.imu.2017.12.006]
22. Edla DR, Cheruku R, Diabetes-Finder: A Bat Optimized Classification System for Type-2 Diabetes. Procedia Computer Science. 2017; 115: 235-242. [DOI:10.1016/j.procs.2017.09.130]
23. Ramana BV, Babu MSP, Venkateswarlu NB. A critical study of selected classification algorithms for liver disease diagnosis. International Journal of Database Management Systems. 2011; 3: 101-114. [DOI:10.5121/ijdms.2011.3207]
24. Ramana BV, Babu MSP, Venkateswarlu NB. A critical comparative study of liver patients from USA and India: An exploratory analysis. International Journal of Computer Science Issues. 2012; 9: 506-516.
25. Tiwari AK, Sharma LK, & Krishna GP. Comparative Study of Artificial Neural Network based Classification for Liver Patient. Journal of Information Engineering and Applications. 2013; 3: 2225-0506.
26. Alfisahrin SDNN, & Mantoro T. Data Mining Techniques for Optimization of Liver Disease Classification. In 2013 International Conference on Advanced Computer Science Applications and Technologies. 2013; 379-384. [DOI:10.1109/ACSAT.2013.81]
27. Jin H, Kim S, & Kim J. Decision factors on effective liver patient data prediction. International Journal of Bio-Science and Bio-Technology. 2014; 6:167-178. [DOI:10.14257/ijbsbt.2014.6.4.16]
28. Montazeri M, Montazeri M, Beygzadeh A, Zahedi MJ. Identifying efficient features in diagnose of liver disease by decision tree models. HealthMED. 2014; 8: 1115-1124.
29. Abdar M. A Survey and Compare the Performance of IBM SPSS Modeler and Rapid Miner Software for Predicting Liver disease by Using Various Data Mining Algorithms. Cumhuriyet Science Journal. 2015; 36:3230-3241.
30. Nagaraj K, Sridhar A. NeuroSVM: A Graphical User Interface for Identification of Liver Patients. ArXiv preprint arXiv: 1502.05534; 2015.
31. Weng CH, Huang TCK, Han RP. Disease prediction with different types of neural network classifiers. Telematics and Informatics. 2016; 33: 277-292. [DOI:10.1016/j.tele.2015.08.006]
32. Bashir S, Qamar U, Khan FH, Naseem L. HMV: A medical decision support framework using multi-layer classifiers for disease prediction. Journal of Computational Science. 2016; 13: 10-25. [DOI:10.1016/j.jocs.2016.01.001]
33. Raghuwanshi B.S, Shukla S. Class imbalance learning using UnderBagging based kernelized extreme learning machine, Neurocomputing. 2019; 329:172-187. [DOI:10.1016/j.neucom.2018.10.056]
34. Chawla NV. Data Mining for Imbalanced Datasets: An Overview. Data mining know discov handbook. 2005.
35. Sun Y, Wong AKC, Kamel MS. Classification of Imbalancd Data: A Review. Int J Patt Recogn Artif Intell. 2009; 4:687-719. [DOI:10.1142/S0218001409007326]
36. Galar M, Fernandez A, Barrenechea E, Bustince H, Herrera F. A Review on Ensembles for the Class Imbalance Problem: Bagging- Boosting- and HybridBased Approaches. IEEE Trans on Syst Man Cyber Part C AppRevi.2012; 4:463-84. [DOI:10.1109/TSMCC.2011.2161285]
37. Barandela R, Sanchez JS, Garcia V, Rangel E. Strategies for learning in class imbalance problems. Patt Recogn. 2003; 3:849-51. [DOI:10.1016/S0031-3203(02)00257-1]
38. Napierała K, Stefanowski j, Wilk S. Learning from Imbalanced data in presence of noisy and borderline examples. In: Szczuka M, Kryszkiewicz M, Ramanna S, Jensen R, Hu Q, editors. RSCTC, LNAI 6086. Proceedingof 7th International Conference; 2010June 28-30; Warsaw, Poland. 2010; 158-167. [DOI:10.1007/978-3-642-13529-3_18]
39. Zhang S, Liu L, Zhu X, Zhang C. A strategy for attributes selection in costsensitive decision trees induction. Proceeding of IEEE 8th International Conference onComputer and Information Technology Workshops. 2008; 8(11): 8-13.
40. Li DC, Liu CW, Hu SC. A learning method for the class imbalance problem with medical data sets. J Comput Bio Medi. 2010; 5: 509-518. [DOI:10.1016/j.compbiomed.2010.03.005]
41. Rahman MM, Davis DN. Addressing the Class Imbalance Problem in Medical Datasets. Int J Machine Learning and Computer. 2013; 2: 224-8. [DOI:10.7763/IJMLC.2013.V3.307]
42. Cao XH, Stojkovic I, and Obradovic Z. A robust data scaling algorithm to improve classification accuracies in biomedical data. BMC Bioinformatics. 2016; 17(1): 2-10. [DOI:10.1186/s12859-016-1236-x]
43. Selvakumar B, Muneeswaran K. Firefly algorithm based feature selection for network intrusion detection. Computers & Security. 2019; 81:148-155. [DOI:10.1016/j.cose.2018.11.005]
44. Emary E, Zawbaa H.M, & Hassanien, AE. Binary ant lion approaches for feature selection. Neurocomputing. 2016; 213: 54-65. [DOI:10.1016/j.neucom.2016.03.101]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
