تشخیص بیماری سرطان دهانه رحم به کمک شبکه عصبی با جمع آوری داده­ها به صورت برخط

پیشرفت فناوری در حوزه هوش مصنوعی و اینترنت اشیا باعث سرعت و دقت بالا در تشخیص بیماری­ها شده است. سیستم­های فناوری اطلاعات سلامت یکی از به روزترین زمینه­های اخیر است که با بکارگیری هوش محاسباتی می­تواند در تشخیص بیماری­ها کمک نماید. برای افزایش دقت و اطمینان بیشتر به این سیستم­ها، باید داده­های ورودی را قبل از اعمال روش­های یادگیری ماشین پیش پردازش کرد. ما در این مقاله، علاوه بر روش­های پیش پردازش معمول، برای مدیریت داده­های ازدست رفته و متعادل سازی داده­های دسته­های مختلف مدلی پیشنهاد کردیم. همچنین جهت ارزیابی مدل پیشنهادی از چندین شبکه یادگیری ماشین استفاده شده است. نتایج پیاده­سازی­ها بر روی داده­های پایگاه داده uci مربوط به تشخیص سرطان رحم نشان می­دهند که با کاربرد این مدل، اجرای شبکه رایجی مانند svm به راحتی به دقت 98 درصد می­رسد. همچنین بهترین عملکرد در هر دو حالت (بدون متوازن سازی و با متوازن سازی) متعلق به شبکه xgboost بوده است. علاوه بر این یک برنامه کاربردی طراحی شده که قابلیت ارسال اطلاعات بیمار به پزشک را دارد و به پزشک در حفظ امنیت و در دسترس بودن اطلاعات کمک می­کند.

cervical cancer diagnosis using neural network with online data collection

the advancement of technology in the field of artificial intelligence and internet of things has led to high speed and accuracy in the diagnosis of diseases. health information technology systems are one of the most up-to-date fields that can help diagnose diseases by using computational intelligence. to increase the accuracy and reliability of these systems, the input data must be pre-processed before applying machine learning methods.in this article, in addition to the usual pre-processing methods, we proposed a model for managing missing data and balancing data of different categories. also, several machine learning networks have been used to evaluate the proposed model. the results of the implementations on the data of the uci database related to the diagnosis of uterine cancer show that with the use of this model, the implementation of a common network such as svm easily reaches 98% accuracy.also, the best performance in both modes (without balancing and with balancing) belonged to the xgboost network. in addition, an application program has been designed that has the ability to send patient information to the doctor and helps the doctor maintain the security and availability of information.