دوره 6، شماره 4 - ( 12-1398 )
جلد 6 شماره 4 صفحات 308-298 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghayoumi Zadeh H, Fayazi A, Danaeian M, Saeidi A. The Diagnosis of Brucellosis in Rafsanjan City Using Deep Auto-Encoder Neural Networks. jhbmi 2020; 6 (4) :298-308
URL: http://jhbmi.ir/article-1-364-fa.html
URL: http://jhbmi.ir/article-1-364-fa.html
قیومی زاده حسین، فیاضی علی، دانائیان مصطفی، سعیدی آلاء. تشخیص بیماری بروسلوزیس در شهرستان رفسنجان با استفاده از شبکه های عصبی مصنوعی آتوانکو در عمیق. مجله انفورماتیک سلامت و زیست پزشکی. 1398; 6 (4) :298-308
دکتری مهندسی کنترل، استادیار، گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه ولی‌عصر(عج) رفسنجان، رفسنجان، ایران
چکیده: (3956 مشاهده)
مقدمه: بیماری تب مالت (بروسلوزیس) یکی از مهم‌ترین بیماری‌های عفونیِ مشترک بین انسان و دام محسوب می‌شود. با توجه به اندمیک بودن تب مالت و وجود گزارش‌های متعددی از موارد انسانی و حیوانی آن، میزان شیوع تب مالت انسانی در شهرستان رفسنجان در طول 3 سال (97-1395) تعیین گردید. هدف از این مطالعه یافتن یک تطابق و همسان‌سازی روشی خودکار و هوشمندانه با حساسیت کم بر مبنای شبکه عصبی است، که قادر به تشخیص دقیق تب مالت باشد.
روش: در این مطالعه توصیفی-تحلیلی موارد بروسلوز انسانی بر اساس شاخص‌های جنس، سن، بارداری، سابقه تماس با دام و استفاده از مواد غیر‌پاستوریزه لبنی، پارامترهای آزمایشگاهی Wright و 2ME در طول 3 سال از شهرستان رفسنجان واقع در جنوب ایران تحلیل شد. داده‌ها به دو زیر مجموعه آموزش (80%) و آزمون (20%) تقسیم شدند. از روش شبکه عصبی مصنوعی آتوانکو در عمیق برای آموزش هر زیر مجموعه استفاده شد.
نتایج: روش آتوانکو در عمیق به صحت 90/84% حساسیت 94/61% و ویژگی 50% در پیش‌بینی موارد بیماری بروسلوزیس در مجموعه داده‌های آزمون دست یافت، نتایج تجربی، عملکرد دقیق شبکه عصبی را در تشخیص بیماری بروسلوز نشان داد.
نتیجه‌گیری: مدل شبکه عصبی مصنوعی عمیق می‌تواند به عنوان یک روش کارآمد و هوشمند برای تشخیص موارد بروسلوز انسانی به کار گرفته شود. با این حال مطالعه و پژوهش‌های بیشتری برای طراحی مدل‌های دیگر از شبکه‌های عصبی مصنوعی بر اساس یادگیری عمیق جهت تشخیص سایر بیمارهای عفونی مورد نیاز است.
روش: در این مطالعه توصیفی-تحلیلی موارد بروسلوز انسانی بر اساس شاخص‌های جنس، سن، بارداری، سابقه تماس با دام و استفاده از مواد غیر‌پاستوریزه لبنی، پارامترهای آزمایشگاهی Wright و 2ME در طول 3 سال از شهرستان رفسنجان واقع در جنوب ایران تحلیل شد. داده‌ها به دو زیر مجموعه آموزش (80%) و آزمون (20%) تقسیم شدند. از روش شبکه عصبی مصنوعی آتوانکو در عمیق برای آموزش هر زیر مجموعه استفاده شد.
نتایج: روش آتوانکو در عمیق به صحت 90/84% حساسیت 94/61% و ویژگی 50% در پیش‌بینی موارد بیماری بروسلوزیس در مجموعه داده‌های آزمون دست یافت، نتایج تجربی، عملکرد دقیق شبکه عصبی را در تشخیص بیماری بروسلوز نشان داد.
نتیجه‌گیری: مدل شبکه عصبی مصنوعی عمیق می‌تواند به عنوان یک روش کارآمد و هوشمند برای تشخیص موارد بروسلوز انسانی به کار گرفته شود. با این حال مطالعه و پژوهش‌های بیشتری برای طراحی مدل‌های دیگر از شبکه‌های عصبی مصنوعی بر اساس یادگیری عمیق جهت تشخیص سایر بیمارهای عفونی مورد نیاز است.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1397/9/25 | پذیرش: 1398/3/11
دریافت: 1397/9/25 | پذیرش: 1398/3/11
فایل صوتی [MP3 986 KB] (117 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
