fa تعیین پارامترهای منطق فازی با بکارگیری الگوریتم ژنتیک برای تشخیص بیماری کبد هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color:black;">مقدمه:</span></strong> بیماری کبد یکی از شایع‌ترین مشکلات مزمن کبدی و سیروز می‌باشد. مشکلات کبدی شامل طیف وسیعی از بیماری‌ها و نارسایی‌‌هایی هستند که به بافت کبد یا عملکرد آن آسیب می‌رسانند. تشخیص زودهنگام و درمان این بیماری می‌تواند مرگ‌و‌میر و درجه بیماری را کاهش دهد.<br> <strong><span style="color:black;">روش:</span></strong> این مطالعه از نوع توصیفی-تحلیلی است. پایگاه داده آن شامل 583 رکورد مستقل شامل 11 ویژگی موجود در پایگاه داده یادگیری ماشین <span dir="LTR">UCI</span> می‌باشد. در این مقاله با استفاده از منطق فازی که پارامترهای آن با الگوریتم ژنتیک تعیین می‌شوند روشی برای تشخیص بیماری کبد پیشنهاد شد. برای این‌منظور، ابتدا ویژگی‌های مجموعه داده با استفاده از ویژگی آنتروپی رتبه‌بندی شد و سپس بهینه‌سازی داده‌های مجموعه داده با استفاده از الگوریتم ژنتیک انجام گرفت. در نهایت بیماری کبد با استفاده از سیستم استنتاج فازی <span dir="LTR">genfis2</span> و <span dir="LTR">genfis3</span> تشخیص داده شد.<br> &nbsp;<strong><span style="color:black;">نتایج</span>:</strong> نتایج نشان داد که دقت تشخیص بیماری کبد با استفاده از سیستم استنتاج فازی <span dir="LTR">genfis2</span> با هشت ویژگی برابر با 66/91 درصد است و با سیستم استنتاج فازی <span dir="LTR">genfis3</span> با شش ویژگی برابر با 89/87 درصد است و همچنین خطای <span dir="LTR">genfis2</span> و <span dir="LTR">genfis3</span> به ترتیب برابر با 0/034 کمتر 0/047 است.<br> <strong>نتیجه‌گیری:</strong> بیماری کبد یکی از شایع‌ترین بیماری‌ها در بین افراد جامعه است. تشخیص به موقع بیماری ضمن کاهش هزینه‌ها، می‌تواند شانس درمان موفقیت‌آمیز بیمار را افزایش ‌دهد. با توجه به نتایج به دست آمده، مشاهده شد که مدل پیشنهادی با دقت نسبتاً بالایی، افراد مبتلا به بیماری کبد را تشخیص داد.</span></div> <strong>Introduction:</strong> Liver disease is one of the most common chronic liver problems and cirrhosis.&nbsp; 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.<br> <strong>Method:</strong> 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).<br> <strong>Results:</strong> 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.<br> <strong>Conclusion</strong>: 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.<br> &nbsp;<br> &nbsp; تشخیص بیماری کبد, منطق فازی, سیستم استنتاج فازی, الگوریتم ژنتیک Liver Disease Detection, Fuzzy Logic, Fuzzy Inference System, Genetic Algorithm 384 397 http://jhbmi.ir/browse.php?a_code=A-10-347-1&slc_lang=fa&sid=1 Maryam Rezaii Farokh zad مریم رضایی فرخ زاد mary.rezaei.69@gmail.com 10031947532846005979 10031947532846005979 No کارشناسی ارشد مهندسی کامپیوتر‌، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد ارومیه، ارومیه، ایران Farhad Soleimanian Gharehchopogh فرهاد سلیمانیان قره چپق bonab.farhad@gmail.com 10031947532846005980 10031947532846005980 Yes Ph.D., in Computer Engineering, Assistant Professor, Computer Engineering Dept., Islamic Azad University, Urmia Branch, Urmia, Iran دکترای مهندسی کامپیوتر، استادیار، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد ارومیه، ارومیه، ایران