ارائه مدل ترکیبی فازی-ازدحام ذرات جهت تشخیص سرطان کبد (متاستاز در کبد)

نویسندگان

دانشکده فنی و مهندسی، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

در دهه اخیر سیستم‌های طراحی‌شده توسط مدل‌های محاسبات نرم، بر روی مدیریت عدم قطعیت در مسائل پزشکی متمرکز شده است، این پژوهش برای اولین بار مدل ترکیبی فازی-ازدحام ذرات را جهت تشخیص سرطان کبد (متاستاز در کبد یکی از شایع‌ترین تومورهای بدخیم کبدی) ارائه کرده است. مدل پیشنهادی باهدف ایجاد موازنه میان صحت عملکرد و قابلیت تفسیرپذیری سیستم فازی ارائه‌شده است. ارزیابی کارایی مدل پیشنهادی توسط پایگاه داده شامل اطلاعات بیماران کبدی در مرکز تصویربرداری نور در تهران انجام شد، سطح زیر منحنی ROC در مدل فازی-ازدحام ذرات پیشنهادی برابر 98.6% با بازه اطمینان 95% در محدوده % [100 95.80]، است. بر اساس نتایج حاصل از مقایسه نتایج سیستم با تشخیص متخصصان، استفاده از سیستم پیشنهادی به‌عنوان دستیار متخصصان و ارائه نظر دوم در نجات جان بیماران کبدی، پیشگیری از ابتلای آن‌ها به سرطان با ارائه درمان و مراقبت‌های زودهنگام امیدبخش است.

کلیدواژه‌ها

  • [1] م. حسن‌زاده طاهری، ع. ابراهیم‌زاده بیسکان و ح. مروی مقدم، آناتومی انسانی پایه، انتشارات جهاد دانشگاهی، مشهد، 1387.
  • [2] تجارت انجمن سرطان امریکا، سرطان پیشرفته، ترجمه گ. حاجبی، جلد اول، تهران: باران اندیشه ایرانیان، 131 صفحه، 1390.
  • [3] ف. احمدزاده، مقابله با تلخ‌ترین و گران‌ترین بیماری. روزنامه ایران، 1392.
  • [4] ر. حسینی و م. مزینانی، «طبقه‌بندی منابع عدم قطعیت در سیستم‌های هوشمند تحلیل و پردازش تصاویر پزشکی»، نهمین سمپوزیوم پیشرفت‌های علم و تکنولوژی، ص 1-10، 1393.
  • [5] B. AmirHosseini and R. Hosseini, "A hybrid Fuzzy-GA approach applied to an expert system for diagnosis of liver tumor," Journal of Soft Computing and Information Technology (JSCIT), vol. 5, no.1, pp. 45-52, 2016.
  • [6] ب. امیرحسینی، ر. حسینی و م. مزینانی، «طراحی شبکه عصبی MLP و سیستم استنتاج فازی جهت تشخیص متاستاز در کبد و مقایسه کارایی آن‌ها،» اولین کنفرانس بین‌المللی دستاوردهای نوین پژوهشی در مهندسی برق و کامپیوتر، صفحه 1-10، 1395.
  • [7] S.W. Lin, S.C. Chen, W.J. Wu and C.H. Chen "Parameter determination and feature selection for back-propagation network by particle swarm optimization," Knowledge and Information Systems, vol. 21, no.2, pp. 249-266, 2009.
  • [8] H. Jiang, F. Tang and X. Zhang, "Liver Cancer Identification Based on PSO-SVM Model," 11th International Conference on Control Automation Robotics & Vision (ICARCV), pp. 2519-2523, 2010.
  • [9] H. Jiang and L. Zou, "A hybrid PSO-SA optimizing approach for SVM model in classification," International Journal of Biomathematics, vol. 6, pp. 1350036-1- 1350036-18, 2013.
  • [10] S. Gunasundari and S. Janakiraman, "Improved feature selection based on particle swarm optimization for Liver disease diagnosis," In International Conference on Swarm, Evolutionary, and Memetic Computing, pp. 214- 255, 2013.
  • [11] Ja. Liang, X. Ping, Y. Tsengc,G. Huanga, F. Lai and P. Yang, "Recurrence predictive models for patients with hepatocellular carcinoma after radiofrequency ablation using support vector machines with feature selection methods," Computer Methods and Programs in Biomedicine, vol. 117, no. 3, pp. 425-434, 2014.
  • [12] T. Dash, S.K. Nayak and H.S. Behera, "Hybrid gravitational search and particle swarm based fuzzy MLP for medical data classification," Computational Intelligence in Data Mining, vol. 1, pp. 35-43, 2014.
  • [13] S. Gunasundari and S. Janakiraman, "A hybrid PSO-SFS-SBS algorithm in feature selection for liver cancer data," Power Electronics and Renewable Energy Systems, vol. 326, pp. 1369-1376, 2014.
  • [14] F. Gorunescu and S. Belciug, "Evolutionary strategy to develop learning-based decision systems Application to breast cancer and liver fibrosis stadialization," Journal of Biomedical Informatics, vol. 49, pp. 112-118, 2014.
  • [15] H. Koyuncu and R. Ceylan, "Scout particle swarm optimization," 6th European Conference of the International Federation for Medical and Biological Engineering, pp. 82-85, 2015.
  • [16] N. Darbandi, A. Karimi and E. Hezavehi, "Liver tumor segmentation in CT images based on particle swam optimization Algorithm and Its 3D visualization," Electronics Information & Planning, vol. 3, pp. 61-68, 2015.
  • [17] S. Gunasundari, S. Janakiraman and S. Meenambal "Velocity Bounded Boolean Particle Swarm Optimization for improved feature selection in liver and kidney disease diagnosis," Expert Systems with Applications, vol. 56, no.1, pp. 28-47, 2016.
  • [18] J. Kennedy and R. C. Eberhart, "Particle swarm optimization," Proceedings of IEEE International Conference on Neural Networks, pp. 1942-1948, 1995.
  • [19] T. Fawcett, "An introduction to ROC analysis," Pattern Recognition Letters, vol. 27, no. 8, pp. 861-874, 2006.
  • [20] ح. نظام‌آبادی پور، م. رستمی شهربابکی، م. مغفوری فرسنگی، «بهینه‌سازی اجتماع ذرات باینری: چالش‌ها و راه‌حل‌های جدید،» نشریه علمی پژوهشی انجمن کامپیوتر ایران، مجلد 6، شماره 1، ص.21-32، 1387.
  • [21] J. Brownlee, Clever algorithms nature-inspired programming recipes. Second Edition, Lulu, 438p, 2011.
  • [22] M.K. Sallam Ma’aitah, R. Abiyev and I. Bush, "Intelligent Classification of Liver Disorder using Fuzzy Neural System," International Journal of Advanced Computer Science and Applications, vol.8, pp. 25-31,2017.
دوره 17، شماره 1
بهار و تابستان
اردیبهشت 1398