پیش بینی بیماری مولتیپل اسکلروزیس با استفاده از رویکردهای داده کاوی جنگل تصادفی و ماشین بردار پشتیبان بر اساس الگوریتم ژنتیک

مولتیپل اسکلروزیس (MS) یک بیماری التهابی تخریب کننده است که روش مهم تشخیص آن استفاده از دستگاه Magnetic resonance imaging (MRI) است، اما ازآنجاکه MRI از یک میدان مغناطیسی بسیار پرقدرت استفاده می کند، در صورت وجود اجسام فلزی در بدن بیماران باعث ایجاد اختلال در وضعیت سلامت بیمار، کارکرد دستگاه و نیز انحراف و تاری در تصاویر می شود. با توجه به چنین محدودیتی در استفاده از دستگاه MRI نیاز به روش کمک غربالگری احساس می شود. بنابراین این مطالعه با هدف مقایسه دو مدل ماشین بردار پشتیبان (Support vector machine, SVM) و جنگل تصادفی (Random forest, RF) انجام شد. پژوهش کنونی تحلیلی و از نوع مدل سازی بود که از اردیبهشت 1396 تا شهریور 1397 در دانشکده بهداشت دانشگاه علوم پزشکی کرمانشاه انجام شد. روش پیشنهادی پژوهش بر روی مجموعه داده های بیماری MS که مشخصات آن ها در سیستم ثبت سلامت دانشگاه علوم پزشکی کرمانشاه ثبت گردیده، پیاده سازی شد. تعداد افراد مورد مطالعه 317 نفر بودند (188 نفر مبتلابه بیماری MS و 128 نفر فاقد آن). به منظور برازش مدل SVM، از تابع کرنل شعاع مبنا (Radial basis function, RBF) که پارامترهای آن با الگوریتم ژنتیک (Genetic algorithm, GA) بهینه سازی شده اند، استفاده شد. سپس مدل SVM با استفاده از معیارهای صحت، حساسیت و ویژگی با مدل RF مقایسه گردید. بر اساس نتایج، صحت، حساسیت و ویژگی مدل SVM به ترتیب 0/79، 0/80، 0/78 و برای مدل RF به ترتیب 0/76، 0/81، 0/70 به دست آمد. دو مدل عملکرد مناسبی داشتند، اما با توجه به صحت به عنوان یک معیار مهم برای مقایسه عملکرد مدل ها در این حوزه، می توان گفت مدل SVM کارایی بهتری نسبت به RF در تشخیص بیماری MS داشت.