مقايسه‌ي روش هاي مميزي كلاسيك با شبكه ي عصبي مصنوعي به وسيله چند الگوريتم مختلف در تشخيص بيماري انفاركتوس ميوكارد

مقدمه: تحليل مميزي و رده‌بندي يكي از پركاربردترين بخش‌هاي آماري در حوزه هاي مختلف علمي است. در اين مورد روش‌هاي كلاسيك آماري داراي پيش‌فرض‌هايي هستند كه در صورت برقرار نبودن آن‌ها استفاده از اين روش‌ها با خطاهاي قابل توجه‌اي همراه است. از طرفي روش شبكه عصبي مصنوعي با محدوديت كمتري روبرو است، و از آن‌جا كه تحليل داده‌هاي پزشكي داراي حساسيت بالايي است و اشتباه در رده‌بندي منجر به خطاهاي جبران‌ناپذيري خواهد شد اهميت دارد كه دقيق‌ترين روش با كم‌ترين خطا را براي تحليل اين داده‌ها به كار برد. روش‌ها: براي مقايسه‌ي سه روش مميزي درجه دو، رگرسيونلجستيك و شبكه عصبي مصنوعي در تشخيص بيماري از 1000 داده مربوط به بيماري انفاركتوس ميوكارد استفاده شد. ارزيابي شبكه عصبي، با ملاك حداقل مربعات خطاي پيش‌بيني صورت پذيرفت و از الگوريتم پس‌انتشار خطا استفاده شد. در ادامه عملكرد سه الگوريتم مختلف (BFGS يا Broyden-Fletcher-Goldfarb-Shanne) , Conjugate gradient و Gradient descent از شبكه عصبي در تشخيص و پيش‌بيني بيماري، مورد مقايسه قرار گرفت. تحليل داده‌ها با نرم افزارهايSPSS, R, SAS, STATISTICA انجام شد. يافته‌ها: درصد خطا، درصد صحت پيش‌بيني، حساسيت، ويژگي و سطح زير منحني راك به ترتيب در روش مميزي درجه دو برابر با 10/15، 89/85، 0/8888، 0/9283 ، 0/922 و در روش رگرسيون لجستيك برابر با 10/88، 89/12، 0/8743، 0/9110، 0/941 و براي شبكه عصبي مصنوعي منتخب برابر با 3/97، 96/03، 0/9561، 0/9644، 0/966 به دست آمد. تفاوت معني‌داري بين سطح زير منحني راك براي سه روش وجود داشت. هم‌چنين از بين سه الگوريتم مختلف شبكه عصبي الگوريتم BFGS بر اساس معيارهاي ذكر شده عملكرد بهتري داشته است و تفاوت معني‌داري بين سطح زير منحني راك براي سه الگوريتم وجود داشت. نتيجه‌گيري: با توجه به اين‌كه محدوديتي براي استفاده از شبكه عصبي مصنوعي وجود ندارد مي‌توان نتيجه گرفت كه اين روش دقت پيش‌بيني و غربالگري بهتري نسبت به روش‌هاي مميزي لجستيك و مميزي درجه دو در تشخيص و پيش‌بيني بيماري انفاركتوس ميوكارد داشته است.