تشخیص هوشمند هپاتیت با استفاده از سیستم استنتاج عصبی – فازی و روش بهره اطلاعات

هپاتیت، التهاب شایع کبد، یکی از مشکلات مهم بهداشت عمومی در سراسر جهان است. تفسیر درست داده‌های بالینی برای تشخیص هپاتیت یک مشکل مهم است که باید به آن پرداخته شود. در این مطالعه، یک روش هوشمند ترکیبی، ترکیب روش بهره اطلاعات و سیستم استنتاج عصبی – فازی تطبیقی (ANFIS)‏، برای تشخیص اختلال هپاتیت کشنده پیشنهاد شده‌است. در ابتدا، مجموعه داده هپاتیت به‌دست‌آمده از مخزن یادگیری ماشین دانشگاه Irvine کالیفرنیا برای مناسب کردن آن برای فرآیند استخراج آماده‌سازی شده‌است. پس از مرحله پیش‌پردازش، روش بهره اطلاعات برای متراکم کردن تعداد ویژگی‌ها به منظور کاهش زمان محاسبه و پیچیدگی طبقه‌بندی به کار می‌رود. سپس ویژگی‌های انتخاب‌شده وارد سیستم طبقه‌بندی کننده ANFIS می‌شوند. عملکرد رویکرد پیشنهادی با استفاده از روش‌های آماری ارزیابی شد و بالاترین نتایج برای دقت طبقه‌بندی، ویژگی، و تحلیل حساسیت سیستم پیشنهادی به ترتیب ۹۵.۲۴ %، ۹۱.۷ %، و ۹۶.۱۷ % بود. نتایج به‌دست‌آمده نشان می‌دهد که سیستم هوشمند پیشنهادی عملکرد تشخیص خوبی دارد و می‌تواند به عنوان یک ابزار امیدوار کننده برای تشخیص هپاتیت به کار رود.

Hepatitis, a common liver inflammation, is one of the major public health issues around the world. Proper interpretation of clinical data for the diagnosis of hepatitis is an important problem that needs to be addressed. In this study, a hybrid intelligent approach, combining information gain method and adaptive neuro-fuzzy inference system (ANFIS), is proposed for the diagnosis of fatal hepatitis disorder. Initially, the hepatitis dataset obtained from the University of California Irvine machine learning repository is preprocessed to make it suitable for the mining process. After the preprocessing stage, information gain method is applied to condense the number of features in order to decrease computation time and classification complexity. Selected features are then fed into the ANFIS classifier system. The performance of the proposed approach was evaluated using statistical methods, and the highest results for the classification accuracy, specificity, and sensitivity analysis of the