تشخيص بيماري عروق كرونر قلب با استفاده از روش تركيب خبره‌ها

Diagnosis of Coronary Heart Disease using Mixture of Experts Method

بيماري عروق كرونر قلب، شايع‌ترين بيماري قلبي است و از علل اصلي مرگ در زنان و مردان است. اين مطالعه با هدف پيش‌بيني وضعيت اين بيماري با استفاده از روش تركيب شبكه‌هاي عصبي (تركيب خبره‌ها) انجام‌ شد. روش: اين تحقيق از نوع تشخيصي و بر روي 200 نفر از مراجعين به مركز تخصصي قلب و عروق شهرستان تربت‌حيدريه انجام شد. پرونده مراجعين حاوي اطلاعات دموگرافيك بيماران شامل 13 ريسك فاكتور بود. توليد مدل پيش‌بيني بيماري عروق كرونر قلب بر اساس شبكه‌هاي عصبي پرسپترون چندلايه و سپس جمع‌بندي نظرات آن‌ها انجام‌ شد. نتايج: در ابتدا از يك شبكه عصبي پرسپترون چندلايه با الگوريتم پس انتشار خطا استفاده گرديد. بهترين معماري توانست با دقت 71/7% بسته بودن عروق كرونر قلب را پيش‌بيني كند. سپس با افزايش تعداد شبكه‌ها و تعليم آن‌ها، تركيب نتايج با يكديگر انجام شد. تركيب خبره‌ها با روش خطي رأي اكثريت و غيرخطي شبكه عصبي راه‌گاهي انجام و دقت پيش‌بيني به ترتيب 75/8% و 78/3% به دست آمد. نتيجه‌گيري: آنژيوگرافي يك روش تهاجمي و همراه با ريسك‌هايي مانند سكته قلبي و مغزي است؛ لذا بايد از روش‌هاي غيرتهاجمي در تشخيص عروق كرونر قلب استفاده كرد. در اين مطالعه با افزايش تعداد ياد‌گيرها و سپس تركيب غيرخطي آن‌ها دقت تشخيص افزايش ‌يافت.

Introduction: Coronary Artery Disease (CAD) is one of the most common heart diseases and the main cause of mortality in men and women. This study aimed to predict the disease status using Neural Network compound (mixture of experts). Methods: The present study was a diagnostic study conducted on 200 patients referred to a heart specialty center in Torbat-e-Heydarieh. Patients' files contained their demographic information including13 risk factors. A model for predicting CAD based on multilayer perceptron neural network and mixture of experts was produced. Results: First, we used a neural network of multilayer perceptron with Propagation algorithm by different architectures. The best architecture could predict closed coronary artery with the accuracy of 71.7%. Then, by increasing the number of neural networks and training process, results were combined. Mixture of experts by liner method (majority voting) and nonlinear method (gating network) was applied and the accuracy rates of 75.8 percent and 78.3 percent were respectively obtained. Conclusion: Angiography is an invasive diagnostic procedure with risk factors such as stroke and heart attack. Therefore, non-invasive methods should be used for the diagnosis of CAD. In this study, with increasing the number of learners and their nonlinear mixture, the accuracy of diagnosis was increased.