دانلود ترجمه مقاله سیستم پشتیبانی تصمیم برپایه رایانش تکاملی و عصبی برای تشخیص بیماری

1. مقدمه 2. پیشینه 3. کارهای مرتبط 4. مواد و روش ها 5. توصیف مجموعه داده ها 6. چارچوب سیستم ASIC 7. نتایج و بحث و بررسی 8. نتیجه گیری

چکیده – امروزه، هوش محاسباتی و رویکردهای یادگیری ماشینی برای کاوش استنباط های پنهان در پایگاه داده های بالینی بزرگ استفاده می شوند تا به پزشک در گرفتن تصمیمات استراتژیک کمک شود. در هر داده هدف، اطلاعات غیرمرتبط ممکن است مضر باشند و باعث سردرگمی برای الگوریتم کاوش شوند و نتیجه پیش بینی را تنزل دهد. برای رفع این مسئله، این مطالعه تلاش دارد تا یک رویکرد هوشمند برای کمک به روند تشخیص بیماری با استفاده از یک مجموعه بهینه از صفات بجای همه صفات موجود در مجموعه داده بالینی، شناسایی کند. در این سیستم پشتیبانی تصمیم «رایانش هوشمند مخصوص کاربرد» (ASIC) پیشنهادی، یک الگوریتم ژنتیک برپایه مجموعه تقریبی در فاز پیش پردازش بکار می رود و یک شبکه عصبی انتشار معکوس در مراحل آموزش و تست بکار گرفته می شود. ASIC دو مرحله دارد، مرحله اول برون هشته ها، داده های نویزدار و مقادیر خالی را پردازش می کند تا داده های هدف کیفی را برای تولید مجموعه داده های صفات مناسب از داده های ورودی با استفاده از الگوریتم ژنتیک برپایه رایانش تقریبی برروی یک معیار تابع برازندگی نسبی، بدست آید. مرحله بعدی این سیستم شامل هر دوی آموزش و تست دسته کننده شبکه عصبی انتشار معکوس برروی عوامل کاهنده انتخاب شده می باشد. عملکرد مدل با دسته بندی کننده های موجود بسیار پر استفاده ارزیابی می شود. سیستم ASIC پیشنهادی برای پشتیبانی تصمیم بالینی با سرطان سینه، تشخیص باروری و مجموعه داده های بیماری قلبی از دانشگاه کالیفرنیا در اروین (UCI) قسمت مخزن یادگیری ماشینی، تست شدند. سیستم پیشنهادی عملکرد بهتری نسبت به رویکردهای موجود در رسیدن به نرخ دقت 95.33%، 97.61% و 93.04% برای به ترتیب سرطان سینه، مسئله ناباروری و تشخیص بیماری قلب دارد.

As a recent trend, various computational intelligence and machine learning approaches have been used for mining inferences hidden in the large clinical databases to assist the clinician in strategic decision making. In any target data the irrelevant information may be detrimental, causing confusion for the mining algorithm and degrades the prediction outcome. To address this issue, this study attempts to identify an intelligent approach to assist disease diagnostic procedure using an optimal set of attributes instead of all attributes present in the clinical data set. In this proposed Application Specific Intelligent Computing (ASIC) decision support system, a rough set based genetic algorithm is employed in pre-processing phase and a back propagation neural network is applied in training and testing phase. ASIC has two phases, the first phase handles outliers, noisy data, and missing values to obtain a qualitative target data to generate appropriate attribute reduct sets from the input data using rough computing based genetic algorithm centred on a relative fitness function measure. The succeeding phase of this system involves both training and testing of back propagation neural network classifier on the selected reducts. The model performance is evaluated with widely adopted existing classifiers. The proposed ASIC system for clinical decision support has been tested with breast cancer, fertility diagnosis and heart disease data set from the University of California at Irvine (UCI) machine learning repository. The proposed system outperformed the existing approaches attaining the accuracy rate of 95.33%, 97.61%, and 93.04% for breast cancer, fertility issue and heart disease diagnosis.