مقاله #700

چکیده

در این مقاله, یک معماری ترکیبی با موفقیت طراحی شده است که از تکنیک های هوش مصنوعی, نظریه مجموعه داده های راف, و الگوریتم های یادگیری ماشین, بهره می گیرد. هدف این مقاله, استفاده از رویکرد بی نقص و هوشمندانه در شناسایی بیماری تیروئید در افراد می باشد. چندین مکانیزم پیاده سازی شده در خصوص مجموعه داده های تیروئیدی وجود دارد که نتایج قابل توجهی را به بار آورده است, اما داده های مدنظر قرار گرفته برای موارد تشخیص بیماری تیروئید (TDD), غیر سازگار و افزونه می باشد و شامل مقادیر مشخصه نامعلوم می باشد. هدف این مقاله, پیاده سازی یک سیستم رایزنی خبره با معماری ترکیبی می باشد, که بنا دارد تا رشد این بیماری خوشخیم را که ناشی از غده های تیروئیدی می باشد, تشخیص دهد. سیستم تطبیق رشته ای (SMS), در آغاز راه توسعه خود می باشد که می تواند تشخیص واقعی TDD را بر اساس دانش در دسترس, پیش بینی نماید. چنانچه سیستم SMS دچار شکست شود, از هر یک از رویکردهای دیگری که از الگوریتم بهینه سازی کلنی مورچگان و الگوریتم بهینه سازی ازدحام ذرات بهره می برند, استفاده خواهد شد تا دقت نتایجی که مقادیر اندازه مبتنی بر 65 و 93 درصد را دارای اعتبار می داند, حاصل گردد؛ اما نتایج به دست آمده از طریق رویکردهای فوق, با استفاده از برخی مقادیر مشخصه نامعلوم, محاسبه می شود که شامل بخش خالی سمت چپ پایگاه اطلاعات نمی باشد و از این رو, این مقاله در ابتدا, مقدار مشخصه نامعلوم را در پایگاه اطلاعات (توسط نظریه مجموعه داده های راف), ایجاد می نماید و داده های حاصله (مقادیر مشخصه نامعلوم), به منظور پیش بینی این بیماری خوشخیم (به همراه روش های بازدارنده و معالجاتی آن), ارائه می گردد. همچنین, داده های تولید شده نمی تواند بیماری اپتیمال را پیش بینی نماید و از این رو, پیشنهاد می شود تا الگوریتم یادگیری ماشین, به طریقی انجام شود که نتیجه حاصله, همراستا با بهداشت و سلامت باشد. دانش مربوط به پیاده سازی این مطالعه, از آزمایشگاه سیستم هوشمند دانشگاه خواجه نصیر طوسی و بیمارستان امام خمینی, گردآوری شده است. برای فراهم نمودن رابطی برای کاربر, فرم های پرسشنامه ای نیز تهیه شده است, درنتیجه آنها می توانند با این داده ها سر و کار داشته باشند.