مدلی برای تشخیص بیماری‌های کبدی با استفاده از روش‌های یادگیری ماشینی

پیش‌زمینه و هدف: تشخیص به‌موقع بیماری‌های کبدی تاثیر قابل‌توجهی در پیشگیری از عوارض آن‌ها و همچنین کنترل و درمان بیماری دارد. یادگیری ماشینی یکی از شاخه‌های هوش مصنوعی است که کاربردهای زیادی در زمینه تشخیص پزشکی دارد. این مطالعه باهدف ارائه‌ی مدلی با دقت و اعتماد بالاتر برای تشخیص بیماری‌های کبدی با استفاده از روش‌های یادگیری ماشینی انجام شد که بتواند به متخصصان پزشکی در تشخیص و کنترل به‌موقع بیماری‌های کمک کند.مواد و روش کار: این مطالعه از نوع کاربردی‌-‌توسعه‌ای بوده و از مجموعه داده‌های 583 بیمار کبدی استفاده شده است. برای تشخیص دقیق‌تر افراد مبتلا به بیماری‌های کبدی، نتایج سه روش یادگیری ماشینی پرکاربرد در تشخیص پزشکی شامل ماشین بردار پشتیبان، جنگل تصادفی و شبکه‌های عصبی مصنوعی با استفاده از نظریه‌ی ترکیب دمپستر‌-‌شافر با هم ترکیب شده است. از نرم‌افزار داده‌کاوی weka و همچنین زبان برنامه‌نویسی پایتون برای پیاده‌سازی مدل استفاده شد. برای ارزیابی کارایی، روش ارزیابی متقابل k تکه‌ برابر بکار برده شد.یافته‌ها: نتایج نشان داد که دقت، حساسیت و ویژگی در مدل پیشنهادی به ترتیب 91.47 درصد، 89.52 درصد و 93.03 درصد بوده و در مقایسه با مطالعات مشابه، عملکرد بهتری دارد.بحث و نتیجه‌گیری: مدل پیشنهادی در جامعه‌ی آماری موردمطالعه، عملکرد بهتری در تشخیص بیماری‌های کبدی داشته و می‌تواند به پزشکان در تشخیص زودهنگام این بیماری‌ها و انجام درمان مناسب در مراحل اولیه کمک کرده و درنتیجه مانع از پیشرفت بیماری شود.

a model for diagnosing liver diseases using “machine learning” techniques

background & aims: early diagnosis of liver diseases has a significant effect on the prevention of its complications as well as control and treatment of the disease. “machine learning” is one of the branches of artificial intelligence that has many applications in the field of medical diagnosis. this study aimed to provide a model with high accuracy and reliability for diagnosing liver diseases using machine learning methods that can help physicians in the early diagnosis and control of liver diseases. materials & methods: this applied-developmental study used the dataset of 583 liver patients. in order to more accurately diagnose of the people with liver diseases, the results of the three classifiers including: random forest, support vector machine, and artificial neural network were combined using dempster-shafer theory. weka data mining tool and python programming language were used to implement the model. the k-fold cross-validation method was applied to evaluate efficiency of the model.results: the results showed that accuracy, sensitivity, and specificity in the proposed model were 91.47%, 89.52%, and 93.03%, respectively, which had a better performance than similar studies.conclusion: the proposed model in the studied statistical population has a better performance in diagnosing liver diseases, and can help physicians in early diagnosis of the disease and appropriate treatment of it in the early stages of it and thus prevent development of the disease.