بهبود در ادغام روش خوشه بندی و شبکه عصبی برای استخراج قوانین و کاربرد در پشتیبانی تشخیص
اکثر بیماریهای مزمن کبدی بدون درمان مناسب منجر به سیروز کبدی و در نهایت تبدیل به سرطان کبد میشود. بنابراین، تشخیص زود هنگام بیماریهای کبدی و پیشنهاد درمان در زمان مناسب بسیار مهم است. یک مدل مفید که به طور موثر فیبروز کبدی بیمار را پیش بینی میکند، در کاهش بار روی پزشکان، به ویژه در بیمارستانهای سطح پایین، اهمی ت زیادی دارد. در این مقاله، یک مدل جدید ترکیبی از روش یادگیری نیمه نظارت شده و شبکه عصبی max-min فازی با ارایه مجموعه قوانین فازی انتخابی پیشنهاد شده است. سطح سیروز توسط APRI و 4-FIB ارزیابی میشود. روش پیشنهادی روی مجموعه های داده از پایگاه های داده یادگیری ماشین، از جمله UCI وCS آزمایش می شود. جدای از آن، روش ما نیز روی مجموعه داده های کبدی جمعآوری شده از بیمارستانهای استان نگوین تایلند پیاده سازی شده است. مقایسه بین روش های پیشنهادی و سایر روش های مرتبط نیز ارا یه شده است. نتایج بدست آمده نشان میدهد ک ه مدل پیشنهادی از نظر زمان اجرا و تعداد قوانین، عملکرد بهتری نسبت به روش های مقایسه شده دارد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.