یک سیستم هوشمند پزشکیار مبتنی بر شبکه عصبی مصنوعی در تشخیص بیماری دیابت

مقدمه: تشخیص زودهنگام بیماری دیابت به منظور جلوگیری از عوارض و آسیب های ناشی از این بیماری امری حیاتی است. هدف از این مقاله طراحی یک سیستم هوشمند در دسته بندی افراد مبتلا به دیابت، با روش رگرسیون مبتنی بر شبکه عصبی پرسپترون چندلایه است.روش ها: در این مطالعه ی توصیفی تحلیلی یک سیستم هوشمند برای دسته بندی افراد به دو دسته سالم و مبتلا به بیماری دیابت طراحی شده است. سیستم طراحی شده با استفاده از نرم افزار matlab نسخه ی 2015 (8/5/0/197613) شبیه سازی شده است. مجموعه داده مورد استفاده در این پژوهش، مجموعه داده معیار pid موجود در مخزن داده یادگیری ماشین دانشگاه ایروین کالیفرنیا است. این مجموعه داده شامل 768 رکورد از زنان هندی و 8 فاکتور تشخیصی برای بیماری دیابت است. یافته ها: داده های این مجموعه پس از پیش پردازش به صورت تصادفی به 20 دسته از کل مجموعه داده تقسیم شدند که شامل داده های آموزش و آزمون متفاوت بودند. در هر دسته داده از 90 درصد داده ها برای مرحله ی آموزش و 10 درصد باقی مانده برای مرحله ی آزمون استفاده شد. نتایج حاصل در بهترین حالت براساس شاخص های حساسیت، اختصاصیت، صحت و دقت در دسته بندی افراد، به ترتیب معادل اعداد 0.4815، 0.9804، 0.8077، 0.9286 به دست آمد.نتیجه گیری: نتایج به دست آمده برتری سیستم هوشمند طراحی شده در دسته بندی افراد به دو دسته سالم و بیمار را نسبت به سایر روش های پیاده سازی شده بر این مجموعه داده تائید می کند. استفاده از شبکه عصبی پرسپترون چندلایه برای تقریب تابع، موجب افزایش دقت سیستم پیشنهادی شده است.

A PHYSICIAN ASSISTANT INTELLIGENCE SYSTEM BASED ON ARTIFICIAL NEURAL NETWORK FOR DIABETES DIAGNOSIS

Backgrounds: Early detection of diabetes is critical to avoid complications and damage caused by this disease. The purpose of this paper is designing an intelligent system for Diabetes prediction (healthy or patient) by using regression method based on Multilayer Perceptron Neural Network.Methods: In this descriptiveanalytic study, an intelligent system is designed to classification diabetes patients. The system is simulated by MATLAB software 2015 (8.5.0.197613). In this study, used PID dataset in UCI Machine Learning Repository. The dataset is contained 768 records from Indian women and 8 diagnostic factors for Diabetes.Results: The data were then divided randomly in 20 groups for training and testing, after preprocessing. 90% of the data is used for training phase and 10% for the test phase. The results obtained based on sensitivity, specificity, accuracy and precision were 0.4815, 0.9804, 0.8077 and 0.9286, respectively.Conclusion: The obtained results, showed superiority of designed intelligent system to classify individuals (healthy and patient) in comparison with other methods implemented on this dataset. Using MLP Regression has increased the accuracy of the proposed system.