شماره ركورد
33429
پديد آورنده
اميرمحمد رسولي
عنوان
كاربرد سيستمهاي خبره و دادهكاوي پزشكي در پيشبيني بيماريهاي خاص
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي صنايع-مديريت پروژه
سال تحصيل
1401
تاريخ دفاع
1404/2/9
استاد راهنما
دكتر عبدالرحمن حائري
استاد مشاور
-
دانشكده
مهندسي صنايع
چكيده
در دهه اخير، استفاده از هوش مصنوعي و يادگيري ماشين در تحقيقات مرتبط با مولتيپل اسكلروزيس (اماس) تحولات قابلتوجهي ايجاد كرده است. اين فناوريها توانايي پژوهشگران را در تحليل دادههاي پيچيده افزايش داده و امكان تشخيص زودهنگام و بهبود فرايندهاي درماني را فراهم كردهاند. هدف اين تحقيق بررسي كاربرد سيستمهاي خبره فازي و دادهكاوي پزشكي در پيشبيني بيماريهاي خاص مانند اماس است. سيستمهاي خبره فازي به دليل توانايي در مديريت دادههاي نامطمئن و پردازش اطلاعات پيچيده، ميتوانند بهدقت بيشتري در تشخيص و پيشبيني بيماريها كمك كنند. علاوه بر اين، استفاده از تكنيكهاي دادهكاوي مبتني بر يادگيري گروهي به شناسايي الگوهاي پنهان در دادههاي بيماران كمك ميكند و دقت پيشبيني را بهبود ميبخشد.
اين پژوهش از دادههاي بيماران مبتلا به سندرم باليني ايزوله براي پيشبيني احتمال تبديل اين سندرم به مولتيپل اسكلروزيس قطعي بهره ميبرد. دادهها شامل ويژگيهاي دموگرافيك، علائم باليني و نتايج MRI هستند. براي پيشبيني اين بيماري، از تركيب دو رويكرد استفاده شده است: سيستم خبره فازي مبتني بر قوانين استنتاجي و الگوريتمهاي يادگيري ماشين شامل XGBoost، AdaBoost و Random Forest.
سيستم خبره فازي بر اساس مجموعهاي از قوانين پزشكي طراحي شده كه وروديهايي مانند سن، باندهاي اليگوكلونال، پتانسيل برانگيخته بينايي و MRI را دريافت كرده و احتمال پيشرفت بيماري را محاسبه ميكند. مدلهاي يادگيري ماشين نيز با استفاده از روشهاي بهينهسازي پارامترها آموزشديده و با يكديگر مقايسه شدهاند.
نتايج ارزيابي سيستم خبره فازي نشان داد كه در بيشتر موارد، پيشبينيهاي مدل با نتايج واقعي همخواني دارند، اما در برخي موارد نيز نياز به بهبود دقت مدل احساس ميشود. همچنين نتايج نشان داد كه XGBoost در تمامي شاخصهاي ارزيابي شامل صحت، دقت، يادآوري و امتياز F عملكرد بهتري نسبت به دو الگوريتم ديگر دارد. صحت اين الگوريتم برابر با 0.8000 است كه بالاتر از مقدار 0.7818 براي AdaBoost و Random Forest است. همچنين، دقت (0.8000)، حساسيت (0.7984) و امتياز F (0.7989) نيز در XGBoost برتري قابلتوجهي نسبت به ساير روشها داشتند.
تاريخ ورود اطلاعات
1404/03/10
عنوان به انگليسي
Application of Expert Systems and Medical Data Mining in Predicting Special Diseases
تاريخ بهره برداري
1/1/1900 12:00:00 AM
دانشجوي وارد كننده اطلاعات
اميرمحمد رسولي
چكيده به لاتين
In the past decade, the use of artificial intelligence and machine learning in research related to multiple sclerosis (MS) has led to significant advancements. These technologies have enhanced researchers' ability to analyze complex data, enabling early diagnosis and improving treatment processes. This study aims to examine the application of fuzzy expert systems and medical data mining in predicting specific diseases such as MS. Fuzzy expert systems, due to their capability to handle uncertain data and process complex information, can contribute to higher accuracy in disease diagnosis and prediction. Additionally, ensemble-based data mining techniques help identify hidden patterns in patient data, thereby improving prediction accuracy.
This research utilizes data from patients with clinically isolated syndrome (CIS) to predict the likelihood of its progression to definitive multiple sclerosis. The dataset includes demographic features, clinical symptoms, and MRI results. For disease prediction, a hybrid approach was employed, combining a rule-based fuzzy expert system with machine learning algorithms, including XGBoost, AdaBoost, and Random Forest. The fuzzy expert system was designed based on a set of medical rules, taking inputs such as age, oligoclonal bands, visual evoked potential, and MRI findings to calculate the probability of disease progression. The machine learning models were trained using parameter optimization techniques and compared against each other.
The evaluation results of the fuzzy expert system indicated that, in most cases, the model's predictions aligned with actual outcomes; however, there remains a need for accuracy improvement in some instances. Furthermore, the results demonstrated that XGBoost outperformed the other two algorithms across all evaluation metrics, including accuracy, precision, recall, and F-score. The accuracy of XGBoost was 0.8000, surpassing AdaBoost (0.7818) and Random Forest. Additionally, XGBoost exhibited superior precision (0.8000), recall (0.7984), and F-score (0.7989) compared to the other methods.
كليدواژه هاي فارسي
سيستمهاي خبره , منطق فازي , دادهكاوي , تشخيص
كليدواژه هاي لاتين
Expert Systems , Fuzzy Logic , Data Mining , Diagnosis
Author
Amir Mohammad Rasouli
SuperVisor
Dr. Abdorrahman Haeri