بخشی از مقاله
خلاصه
در این مقاله یک سیستم استنتاج عصبی- فازی برای تشخیص افراد مبتلا به بیماری دیابت پیشنهاد میکنیم. ایده این مقاله، استفاده از روشی جدید در آموزش سیستم فازی طراحیشده با استفاده از الگوریتم ژنتیک و الگوریتم بهینهسازی ازدحام ذرات است. روش پیشنهادی با استفاده از نرمافزار متلب بر مجموعه داده بیماران دیابتی هندی موجود در مخزن داده یادگیری ماشین پیادهسازی شده است. شاخصهای عملکردی این سیستم حساسیت، اختصاصیت و دقت است که در بهترین حالت به ترتیب 63/49، 96/11 و 89/78 درصد بهدستآمده است.
.1 مقدمه
بیماری دیابت ازجمله بیماریهایی است که اگر زود تشخیص داده شود قابلدرمان است اما بیماران زیادی وجود دارند که سالها از بیماری خود بیاطلاع هستند و دچار عوارضی مانند ناراحتی قلبی، افزایش فشارخون، نارسایی کلیوی، نابینایی و حتی قطع عضو میشوند. این بیماری زمانی به وجود میآید که بدن قادر به تولید انسولین نباشد یا هنگامیکه بدن نمیتواند از انسولین تولیدشده استفاده مؤثر داشته باشد.
زمانی که بدن قادر به تولید انسولین نباشد شخص بیمار با تزریق انسولین این کمبود را برطرف میکند که بیشتر در نوجوانان دیده میشود و آن را دیابت نوع یک مینامند. درصورتیکه بدن در مقابل مصرف انسولین مقاومت نشان دهد دیابت را نوع دو مینامند که بیشتر در بزرگسالان دیده میشود. تشخیص بیماری دیابت و یا آگاهی یافتن از احتمال بالای ابتلا به این بیماری همواره کار آسانی نیست، چراکه این بیماری علائم متعددی را بروز میدهد که بعضی از این علائم در سایر بیماریها نیز وجود دارند؛ بنابراین پزشک برای اتخاذ یک تصمیم مناسب باید نتیجه آزمایشهای بیمار و تصمیمهایی که درگذشته برای بیماران با وضعیت مشابه گرفته است را بررسی کند.[1]
به نظر میرسد وجود یک سیستم خبره برای کمک به پزشکان در تشخیص سریع این بیماری شانس درمان را افزایش میدهد. مطالعات نشان میدهد روشهای متفاوتی در تشخیص بیماری دیابت بر روی مجموعه دادههایPID1 ازجمله شبکههای عصبی [2]، درخت تصمیم [3]، الگوریتمهای تکاملی و روشهای فازی 1]، [ 8-4 به کار گرفتهشده است.
Temurtas و همکاران از شبکههای عصبی چندلایه و شبکه عصبی احتمالی برای تشخیص بیماری دیابت استفاده کردند و دقت طبقهبندی را به ترتیب 79/62 درصد و 78/05 درصد گزارش کردند.[2] در مطالعه دیگری از درخت تصمیم برای تشخیص بیماری دیابت استفاده شد و دقت 75/8 درصد گزارش شد.[3] حداد نیا و همکاران از ترکیب درخت تصمیم و الگوریتم خوشهبندی فازی استفاده کردند و بهدقت 84/33 درصد رسیدند.[4]
در مطالعه محمدی کامروا و همکاران از ترکیب سیستم استنتاج فازی سوگنو و الگوریتم رقابت استعماری استفاده شد و دقت بهدستآمده 87/24 درصد گزارش شد.[5] فتحی و همکاران از ترکیب الگوریتم بهینهسازی کلونی مورچگان و سیستم فازی برای تشخیص بیماری دیابت استفاده کردهاند و بهدقت 84/24 درصد رسیدندFayssal .[1] و همکاران ترکیب الگوریتم کلونی زنبورعسل و سیستم فازی را در تشخیص بیماری دیابت به کار گرفتند و بهدقت 84/21 درصد رسیدند.[6]
در مطالعه دیگری Kemal و همکاران از ترکیب ANFIS و PCA برای تشخیص این بیماری استفاده کردند و دقت بهدستآمده را 89/47 درصد گزارش کردند.[7] شیرالی و همکاران از ترکیب سیستم استنتاج فازی سوگنو و الگوریتم کرم شبتاب استفاده کردند و بهدقت 87/24 درصد رسیدند.[8] هدف از این مقاله، طراحی و ارزیابی یک سیستم خبره جهت کمک به پزشک در تشخیص بیماری دیابت است که در راستای رسیدن به این هدف یک سیستم استنتاج عصبی-فازی - 2 ANFIS - طراحی میشود.
بهمنظور نزدیک شدن به ساختار بهینه از دو الگوریتم فرا ابتکاری ژنتیک و بهینهسازی ازدحام ذرات برای آموزش ANFIS و تنظیم پارامترهای آن استفاده میکنیم که باعث شده است ساختار آن به حالت بهینه نزدیک شود و نتایج بهتری از روشهای مشابه به دست آید. ادامه مقاله به شرح زیر سازمانیافته است: در بخش 2 مواد و روشها بیان میشود. بخش 3 به توضیح روش پیشنهادی میپردازد. یافتههای حاصل از شبیهسازی در بخش 4 نشان داده میشود و درنهایت بخش 5 بحث و نتیجهگیری از موضوع را بیان میکند.
.2 مواد و روشها
در این مقاله یک سیستم استنتاج عصبی- فازی طراحیشده است که بر اساس متغیرهای ورودی به پیشگویی بیماری دیابت میپردازد. سیستم طراحیشده با استفاده از مجموعه داده بیماران دیابتی هندی - PID - موجود در مخزن داده یادگیری ماشین [9] - 3 UCI - ارزیابی و همچنین برای طراحی و پیادهسازی سیستم استنتاج عصبی- فازی از نرمافزار متلب استفادهشده است. همانطور که در جدول 1 نشان دادهشده است، ریسک فاکتورهای این بیماری شامل 8 مورد است.
دادههای این مجموعه شامل 768 نفر است که از بین این افراد 500 زن سالم و 268 زن دچار بیماری دیابت هستند. حداقل سن افراد موردبررسی 21 سال و حداکثر 81 سال است. این مجموعه داده دارای مقادیر گمشده است که در ریسک فاکتورهای تشخیصی برای این مقادیر صفر قرار دادهشده است. ازآنجاکه در نتایج آزمایش مقدار صفر برای بعضی فاکتورهای تشخیصی بیمعنی است در مرحله پیشپردازش، رکوردهای دارای مقادیر گمشده بهمنظور کم کردن خطای شبیهسازی از مجموعه حذف میشوند. تعداد 16 رکورد از مجموعه حذف و شبیهسازی با 752 داده باقیمانده انجامشده است.
.3 روش پیشنهادی
طراحی ساختار ANFIS یک مسئله بهینهسازی پیچیده است که برای تنظیم پارامترهای آن میتوان از الگوریتمهای فراابتکاری استفاده کرد. روش پیشنهادی این مقاله ابتدا یک ساختار ابتدایی ANFIS را میسازد و سپس از دو الگوریتم ژنتیک 1 - GA - یا بهینهسازی ازدحام ذرات 2 - PSO - برای بهینهسازی آن بهره میگیرد. درنهایت از ANFIS آموزشیافته برای تقریب تابع بهمنظور تشخیص بیماری دیابت استفاده میشود.
پس از بارگذاری دادههای آموزشی و ایجاد ساختار اولیه سیستم استنتاج فازی از نوع سوگنو، جهت آموزش سیستم طراحیشده، یکبار از GA و بار دیگر از PSO استفادهشده و فرایند آموزش با هر یک از الگوریتمهای ذکرشده در 1000 دور تکرار شد. پس از اتمام فرایند آموزش جهت ارزیابی سیستم پیشنهادی، دادههای آزمایش که در مرحله آموزش استفادهنشده بودند، به کار گرفته شدند.
.4 یافتهها
شکل 1 نتایج حاصل از سیستم پیادهسازی شده با الگوریتم ژنتیک و شکل 2 نتایج حاصل از سیستم پیادهسازی شده با الگوریتم بهینهسازی ازدحام ذرات در مرحله آزمایش را نشان میدهد.
