TY - JOUR T1 - The Diagnosis of Brucellosis in Rafsanjan City Using Deep Auto-Encoder Neural Networks TT - تشخیص بیماری بروسلوزیس در شهرستان رفسنجان با استفاده از شبکه های عصبی مصنوعی آتوانکو در عمیق JF - jhbmi JO - jhbmi VL - 6 IS - 4 UR - http://jhbmi.ir/article-1-364-fa.html Y1 - 2020 SP - 298 EP - 308 KW - Human Brucellosis KW - Rafsanjan KW - Artificial neural network KW - Deep auto-encoder method N2 - 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. M3 ER -