يك سيستم هوشمند پزشكيار مبتني بر شبكه عصبي مصنوعي در تشخيص بيماري ديابت

A PHYSICIAN ASSISTANT INTELLIGENCE SYSTEM BASED ON ARTIFICIAL NEURAL NETWORK FOR DIABETES DIAGNOSIS

مقدمه: تشخيص زودهنگام بيماري ديابت به‌منظور جلوگيري از عوارض و آسيب‌هاي ناشي از اين بيماري امري حياتي است. هدف از اين مقاله طراحي يك سيستم هوشمند در دسته‌بندي افراد مبتلا به ديابت، با روش رگرسيون مبتني بر شبكه عصبي پرسپترون چندلايه است. روش‌ها: در اين مطالعه‌ي توصيفي- تحليلي يك سيستم هوشمند براي دسته‌بندي افراد به دو دسته سالم و مبتلا به بيماري ديابت طراحي‌شده است. سيستم طراحي‌شده با استفاده از نرم‌افزار MATLAB نسخه‌ي 2015 (197613/ 0/ 5/ 8) شبيه‌سازي‌شده است. مجموعه داده مورد استفاده در اين پژوهش، مجموعه داده معيار PID موجود در مخزن داده يادگيري ماشين دانشگاه ايروين كاليفرنيا است. اين مجموعه داده شامل 768 ركورد از زنان هندي و 8 فاكتور تشخيصي براي بيماري ديابت است. يافته‌ها: داده‌هاي اين مجموعه پس از پيش‌پردازش به‌صورت تصادفي به 20 دسته از كل مجموعه داده تقسيم شدند كه شامل داده‌هاي آموزش و آزمون متفاوت بودند. در هر دسته داده از 90 درصد داده‌ها براي مرحله‌ي آموزش و 10 درصد باقي‌مانده براي مرحله‌ي آزمون استفاده شد. نتايج حاصل در بهترين حالت براساس شاخص‌هاي حساسيت، اختصاصيت، صحت و دقت در دسته‌بندي افراد، به‌ترتيب معادل اعداد 4815/ 0، 9804/ 0، 8077/ 0، 9286/ 0 به‌دست آمد. نتيجه‌گيري: نتايج به‌دست‌آمده برتري سيستم هوشمند طراحي‌شده در دسته‌بندي افراد به دو دسته سالم و بيمار را نسبت به ساير روش‌هاي پياده‌سازي شده بر اين مجموعه داده تأئيد مي‌كند. استفاده از شبكه عصبي پرسپترون چندلايه براي تقريب تابع، موجب افزايش دقت سيستم پيشنهادي شده است.

Backgrounds: Early detection of diabetes is critical to avoid complications and damage caused by this disease. The purpose of this paper is designing an intelligent system for Diabetes prediction (healthy or patient) by using regression method based on Multilayer Perceptron Neural Network. Methods: In this descriptive-analytic study, an intelligent system is designed to classification diabetes patients. The system is simulated by MATLAB software 2015 (8.5.0.197613). In this study, used PID dataset in UCI Machine Learning Repository. The dataset is contained 768 records from Indian women and 8 diagnostic factors for Diabetes. Results: The data were then divided randomly in 20 groups for training and testing, after preprocessing. 90% of the data is used for training phase and 10% for the test phase. The results obtained based on sensitivity, specificity, accuracy and precision were 0.4815, 0.9804, 0.8077 and 0.9286, respectively. Conclusion: The obtained results, showed superiority of designed intelligent system to classify individuals (healthy and patient) in comparison with other methods implemented on this dataset. Using MLP- Regression has increased the accuracy of the proposed system.