مدل ترکیبی برمبنای الگوریتم بهینه‌ سازی شیرمورچه و K نزدیک ترین همسایه برای تشخیص بیماری کبد

مقدمه: از آن جایی که کلیه بیمارستان‌ ها اعم از دولتی و خصوصی، هزینه‌ های سنگینی را در بخش بیماری کبد تقبل می ‌کنند، ارائه روشی به منظور پیش ‌بینی بیماری کبد ضرورتی اجتناب ‌ناپذیر است. در این مقاله، مدل ترکیبی بر مبنای الگوریتم بهینه‌ سازی شیرمورچه و k نزدیک ترین همسایه به منظور تشخیص بیماری کبد ارائه می‌ گردد.مواد و روش ‌ها: در این مطالعه‌ توصیفی تحلیلی یک مدل ترکیبی مبتنی بر الگوریتم ‌های یادگیری ماشین برای طبقه ‌بندی افراد به دو دسته سالم و مبتلا به بیماری کبد طراحی شده است. مدل پیشنهادی با استفاده از نرم ‌افزار matlab شبیه‌ سازی شده است. مجموعه داده مورد استفاده در این مقاله، مجموعه داده ilpd موجود در مخزن داده یادگیری ماشین دانشگاه ایروین کالیفرنیا است. این مجموعه داده شامل شامل 583 رکورد مستقل شامل 10 ویژگی برای بیماری کبد است. یافته‌ های پژوهش: 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 آموزش و 10 درصد باقی مانده برای آزمایش استفاده شد. نتایج حاصله در بهترین حالت بر مبنای تمامی ویژگی ‌ها بر اساس درصد صحت برابر با 95.23 درصد و بر مبنای معیارهای ویژگی و حساسیت درصد صحت به ترتیب برابر 93.95 درصد و 94.11 درصد می ‌باشد. هم چنین درصد صحت مدل پیشنهادی با 5 ویژگی برابر با 98.63 درصد می‌ باشد.بحث و نتیجه‌ گیری: مدل پیشنهادی به منظور تشخیص و طبقه ‌بندی بیماری کبد با دقت بالای 90 درصد پیشنهاد گردید. نتایج حاصل از این مقاله می ‌تواند برای مراکز درمانی و پزشکان مفید واقع شود.

A Hybrid Model based on Ant Lion Optimization Algorithm and K-Nearest Neighbors Algorithm to Diagnose Liver Disease

Introduction: Given that a huge amount of cost is imposed on public and private hospitals from the department of liver diseases, it is necessary to provide a method to predict liver diseases. This study aimed to propose a hybrid model based on the Ant Lion Optimization algorithm and KNearest Neighbors algorithm to diagnose liver diseases. Materials Methods: This descriptiveanalytic study proposed a hybrid model based on machine learning algorithms to classify individuals into two categories, including healthy and unhealthy (those with liver diseases). The proposed model has been simulated using MATLAB software. The datasets used in this study were obtained from the Indian Liver Patient Dataset available in the Machine Learning Repository at the University of Irvine, California. This dataset contains 583 independent records, including 10 features for liver diseases. Findings: After preprocessing, the dataset was randomly divided into 20 categories of the entire dataset, which included different training and test data. In each category of the dataset, 90% and 10% of the data were used for training and test, respectively. Regarding all features, the results obtained the most accurate mode at 95.23%. Moreover, according to the criteria of specificity and sensitivity accuracy, the corresponding values were 93.95% and 94.11%, respectively. Furthermore, the accuracy of the proposed model along with five features was estimated at 98.63%. Discussions Conclusions: This model was proposed to diagnose and classify liver diseases along with an accuracy rate of higher than 90%. Healthcare centers and physicians can utilize the results of this study.