مدل های یادگیری ماشین برای پیش بینی تشخیص بیماری کبد

کبد مهم ترین ارگان داخلی بدن می باشد که نقش اصلی در متابولیسم بدن دارد. بیماری کبد را نمی توان به راحتی در مراحل اولیه کشف کرد زیرا کبد حتی زمانی که قسمتی از آن نیز آسیب دیده باشد به درستی کار می کند و این خود تشخیص این بیماری را مشکل می کند. ابزارهای طبقه بندی اتوماتیک به عنوان یک ابزار کمک تشخیص باعث کاهش بار کاری پزشکان می گردد. طبقه بندی هایی که به منظور تشخیص هوشمند بیماری کبد در این پژوهش مورد استفاده قرار گرفته است شامل دسته بند های Naïve Bayes، Trees Random Forest 1NN، AdaBoost، SVM، می باشند.
داده های مورد استفاده از سوابق 583 بیمار است که این مجموعه داده در دانشگاه کالیفرنیا در سال 2013 به ثبت رسیده است. برای ارزیابی مدل های استفاده شده از اعتبارسنجی ضرب دری از نوع k-لایه استفاده شده است. 5 مدل ماشین یادگیری از نظر ویژگی، حساسیت، سطح زیر منحنی راک و دقت دسته بندی مقایسه شدند.
میزان دقت این 5 مدل به ترتیب 55%، 72%، 64%، 70% و 71% و سطح زیر منحنی راک به ترتیب 0/72، 0/72، 0/59، 0/67 و 0/5 است.
مدل Trees Random Forest بهترین مدل ارزیابی گردید که دارای بالاترین میزان دقت می باشد. از نظر سطح زیر منحنی راک مدل Trees Random Forest و Naïve Bayes بیش ترین سطح زیر منحنی را دارا می باشند. لذا به کارگیری مدل Trees Random Forest در زمینه تشخیص و پیش بینی بیماری کبد پیشنهاد می شود. این امر در تحقیقات مرتبط با حوزه ی سلامت و به خصوص در تخصیص منابع درمانی برای افرادی که پرمخاطره پیش بینی می شوند از اهمیت بالایی برخوردار است