تعيين پارامترهاي منطق فازي با بكارگيري الگوريتم ژنتيك براي تشخيص بيماري كبد

Determining Fuzzy Logic Parameters by using Genetic Algorithm for the Diagnosis of Liver Disease

مقدمه بيماري كبد يكي از شايع ترين مشكلات مزمن كبدي و سيروز مي باشد. مشكلات كبدي شامل طيف وسيعي از بيماري ها و نارسايي هايي هستند كه به بافت كبد يا عملكرد آن آسيب مي رسانند. تشخيص زودهنگام و درمان اين بيماري مي تواند مرگ و مير و درجه بيماري را كاهش دهد. روش اين مطالعه از نوع توصيفي-تحليلي است. پايگاه داده آن شامل 583 ركورد مستقل شامل 11 ويژگي موجود در پايگاه داده يادگيري ماشين UCI مي باشد. در اين مقاله با استفاده از منطق فازي كه پارامترهاي آن با الگوريتم ژنتيك تعيين مي شوند روشي براي تشخيص بيماري كبد پيشنهاد شد. براي اين منظور، ابتدا ويژگي هاي مجموعه داده با استفاده از ويژگي آنتروپي رتبه بندي شد و سپس بهينه سازي داده هاي مجموعه داده با استفاده از الگوريتم ژنتيك انجام گرفت. در نهايت بيماري كبد با استفاده از سيستم استنتاج فازي genfis2 و genfis3 تشخيص داده شد. نتايج نتايج نشان داد كه دقت تشخيص بيماري كبد با استفاده از سيستم استنتاج فازي genfis2 با هشت ويژگي برابر با 66/91 درصد است و با سيستم استنتاج فازي genfis3 با شش ويژگي برابر با 89/87 درصد است و همچنين خطاي genfis2 و genfis3 به ترتيب برابر با 0/034 كمتر 0/047 است. نتيجه گيري بيماري كبد يكي از شايع ترين بيماري ها در بين افراد جامعه است. تشخيص به موقع بيماري ضمن كاهش هزينه ها، مي تواند شانس درمان موفقيت آميز بيمار را افزايش دهد. با توجه به نتايج به دست آمده، مشاهده شد كه مدل پيشنهادي با دقت نسبتا بالايي، افراد مبتلا به بيماري كبد را تشخيص داد.

Introduction: Liver disease is one of the most common chronic liver problems and cirrhosis. Liver problems include a wide range of diseases and disorders that damage the liver tissue or its function. Early diagnosis and treatment of this disease can reduce the severity of the disease and mortality rate. Method: In this descriptive-analytic study, database was consisted of 583 independent records, including 11 features in the UCI machine learning database and through using fuzzy logic that its parameters are determined by Genetic Algorithm (GA), a method for the diagnosis of liver disease is proposed. For this purpose, first, the features of the dataset were ranked using the entropy feature and then, the dataset data were optimized using GA. Ultimately, liver disease was diagnosed using the genfis2 and genfis3 Fuzzy Inference System (FIS). Results: The results show that the accuracy of detection of liver disease using the genfis2 FIS with 8 features is 91.66% and using the genfis3 FIS with 6 features, it is equal to 89.87%. Moreover, the rates of error for genfis2 and genfis3 were 0.034 and 0.047 respectively. Conclusion: Liver disease is one of the most common diseases in population. Early diagnosis of disease while reducing costs can increase the chance of treatment success. According to the obtained results, the proposed model can identify people with liver disease with a fairly high degree of accuracy.