مقایسه ی روش های ممیزی کلاسیک با شبکه ی عصبی مصنوعی به وسیله چند الگوریتم مختلف در تشخیص بیماری انفارکتوس میوکارد

تحلیل ممیزی و رده بندی یکی از پرکاربردترین بخش های آماری در حوزه های مختلف علمی است. در این مورد روش های کلاسیک آماری دارای پیش فرض هایی هستند که در صورت برقرار نبودن آنها استفاده از این روش ها با خطاهای قابل توجه ای همراه است. به همین دلیل محققین به طرف روش هایی با محدودیت کم تری مانند شبکه ی عصبی رو آوردند.
برای مقایسه ی سه روش ممیزی درجه دو، رگرسیون لجستیک و شبکه عصبی مصنوعی در تشخیص بیماری از 1000 داده مورد- شاهدی مربوط به بیماری انفارکتوس میوکارد استفاده شد. ارزیابی شبکه عصبی، با ملاک حداقل مربعات خطای پیش بینی صورت پذیرفت واز الگوریتم پس انتشار خطا استفاده شد. در ادامه عملکرد سه الگوریتم مختلف BFGS، Conjugate gradient وGradient descent از شبکه عصبی در تشخیص و پیش بینی بیماری، مورد مقایسه قرار گرفت. تحلیل داده ها با نرم افزارهای SPSS و R، SAS، STATISTICA انجام شد.
درصد خطا، درصد صحت پیش بینی، حساسیت، ویژگی و سطح زیر منحنی راک به ترتیب در روش ممیزی درجه دو برابر با 15/ 10، 85/ 89، 8888 /0، 9083/ 0، 922 /0، و در روش رگرسیون لجستیک برابر با 88/ 10، 12/ 89، 8743/ 0، 9110/ 0، 941/ 0 وبرای شبکه عصبی مصنوعی منتخب برابر با 97/ 3، 03/ 96، 9561/ 0، 9644/ 0، 966/ 0 بدست آمد. تفاوت معنی داری بین سطح زیر منحنی راک برای سه روش وجود داشت. همچنین از بین سه الگوریتم مختلف شبکه عصبی الگوریتم BFGS بهترین عملکرد را داشته است.
یافته های مطالعه ی حاضر نشان می دهد که روش شبکه عصبی مصنوعی نسبت به رگرسیون لجستیک و ممیزی درجه دو برای پیش بینی وجود بیماری انفارکتوس میوکارد دقت بیشتری داشته است.