پديد آورندگان :
هاشميان، اميرحسين دانشگاه علوم پزشكي كرمانشاه , منوچهري، سارا دانشگاه علوم پزشكي كرمانشاه , افشاري، داريوش دانشگاه علوم پزشكي كرمانشاه , منوچهري، زهره دانشگاه علوم پزشكي همدان , سالاري، نادر دانشگاه علوم پزشكي كرمانشاه , شهسواري، سوده دانشگاه علوم پزشكي كرمانشاه
كليدواژه :
ماشين‌بردار پشتيبان , جنگل تصادفي , مولتيپل اسكلروزيس , الگوريتم ژنتيك
چكيده فارسي :
زمينه و هدف: مولتيپل اسكلروزيس (MS) يك بيماري التهابي تخريب‌كننده است كه روش مهم تشخيص آن استفاده از دستگاه Magnetic resonance imaging (MRI) است، اما ازآنجاكه MRI از يك ميدان مغناطيسي بسيار پرقدرت استفاده مي‌كند، در صورت وجود اجسام فلزي در بدن بيماران باعث ايجاد اختلال در وضعيت سلامت بيمار، كاركرد دستگاه و نيز انحراف و تاري در تصاوير مي‌شود. با توجه به چنين محدوديتي در استفاده از دستگاه MRI نياز به‌روش كمك غربالگري احساس مي‌شود. بنابراين اين مطالعه با هدف مقايسه دو مدل ماشين‌بردار پشتيبان (Support vector machine, SVM) و جنگل تصادفي (Random forest, RF) انجام شد.
روش بررسي: پژوهش كنوني تحليلي و از نوع مدل‌سازي بود كه از ارديبهشت 1396 تا شهريور 1397 در دانشكده بهداشت دانشگاه علوم پزشكي كرمانشاه انجام شد. روش پيشنهادي پژوهش بر روي مجموعه داده‌هاي بيماري MS كه مشخصات آن‌ها در سيستم ثبت سلامت دانشگاه علوم پزشكي كرمانشاه ثبت گرديده، پياده‌سازي شد. تعداد افراد مورد مطالعه 317 نفر بودند (188 نفر مبتلابه بيماري MS و 128 نفر فاقد آن). به‌منظور برازش مدل SVM، از تابع كرنل شعاع مبنا (Radial basis function, RBF) كه پارامترهاي آن با الگوريتم ژنتيك (Genetic algorithm, GA) بهينه‌سازي شده‌اند، استفاده شد. سپس مدل SVM با استفاده از معيارهاي صحت، حساسيت و ويژگي با مدل RF مقايسه گرديد.
يافته‌ها: بر اساس نتايج، صحت، حساسيت و ويژگي مدل SVM به‌ترتيب 0/79، 0/80، 0/78 و براي مدل RF به‌ترتيب 0/76، 0/81، 0/70 به‌دست آمد.
نتيجه‌گيري: دو مدل عملكرد مناسبي داشتند، اما با توجه به صحت به‌عنوان يك معيار مهم براي مقايسه عملكرد مدل‌ها در اين حوزه، مي‌توان گفت مدل SVM كارايي بهتري نسبت به RF در تشخيص بيماري MS داشت
چكيده لاتين :
Background: Multiple sclerosis (MS) is a degenerative inflammatory disease which is most commonly diagnosed by magnetic resonance imaging (MRI). But, since the MRI device uses of a magnetic field, if there are metal objects in the patient's body, it can disrupt the health of the patient, the functioning of the MRI, and distortion in the images. Due to limitations of using MRI device, screening seems necessary for those patients who have metal objects in their bodies. Therefore, this study is carried out to compare two models: support vector machine and random forest.
Methods: This analytical-modelling research was implemented on MS data collection, the specifications of which are recorded in health registry system in School of Public Health, Kermanshah University of Medical Sciences, Iran, from May 2017 to August 2018. For the purpose of this study, a total of 317 subjects were selected as a sample; 188 subjects were diagnosed with MS and 128 subjects showed no symptoms of MS. In order to fit the support vector machine (SVM) model, radial basis kernel function was used. The parameters of this machine were optimized with genetic algorithm. After this step, the support vector machine and random forest (RF) were compared with respect to three factors: accuracy, sensitivity, and specificity.
Results: Based upon the obtained results of study, accuracy, sensitivity, and specificity of SVM were 0.79, 0.80, and 0.78, respectively. In comparison, accuracy, sensitivity, and specificity of RF were found to be 0.76, 0.81, and 0.70, respectively.
Conclusion: In general, both models which were compared in current study showed desirable performance; however, in term of accuracy, as an important criteria for performance comparison in this area of research, it can be argued that support vector machine can do better than random forest in diagnosing multiple sclerosis.
