دوره 11، شماره 2 - ( 6-1403 )
جلد 11 شماره 2 صفحات 130-115 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Arad F, Mousavi S M, Hosseini S, Amizade M, Sheikhi A. Intelligent Diagnosis of Larynx Cancer Using Machine Learning Methods. jhbmi 2024; 11 (2) :115-130
URL: http://jhbmi.ir/article-1-853-fa.html
URL: http://jhbmi.ir/article-1-853-fa.html
آراد فرشته، موسوی سید محمد، حسینی سوده، عامی زاده مریم، شیخی ایوب. تشخیص هوشمند سرطان حنجره با استفاده از روش‌های یادگیری ماشین. مجله انفورماتیک سلامت و زیست پزشکی. 1403; 11 (2) :115-130
پژوهشکده ریاضی ماهانی، پژوهشگاه افضلی پور، دانشگاه شهید باهنر کرمان، کرمان، ایران & دکتری مهندسی کامپیوتر، دانشیار، بخش علوم کامپیوتر، دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر کرمان، کرمان، ایران
چکیده: (259 مشاهده)
مقدمه: سرطان حنجره بر اساس عوامل مختلف می‌توانند خوش‌خیم یا بدخیم باشند. هدف این پژوهش بهبود مدلی مبتنی بر یادگیری ماشین جهت ارتقاء تشخیص افراد درگیر با سرطان حنجره می‌باشد.
روش کار: گام نخست، صداهای افرادی که به مراکز درمانی مراجعه کرده‌اند (شامل آواهای (آ)، (ای)، (او)) ضبط شده و به عنوان مجموعه داده در نظر گرفته شده‌اند؛ در گام دوم داده‌ها توسط پزشک متخصص به سه کلاس سرطان خوش‌خیم، سرطان بدخیم و سالم تقسیم شده‌اند؛ در گام سوم مرحله پاکسازی داده‌ها انجام شده است؛ در گام چهارم ویژگی‌های مرتبط با صدا از داده‌ها استخراج و در گام پنجم، 5 مدل یادگیری ماشین SVM، Decision Tree، Naïve Bayes، MLP و Random Forest بر روی مجموعه داده‌ها پیاده‌سازی شده است و در آخر با استفاده از معیارهای ارزیابی مانند دقت، F-score و دیگر معیارهای ارزیابی، عملکرد مدل‌ها ارزیابی شده است.
یافته‌ها: نتایج پیاده‌سازی نشان داد که مدل SVM برای آوای (آ) و آوای (او) با دقت 0/818، دقت بالاتری نسبت به سایر مدل‌ها از خود نشان داده است، آوای (ای) با دقت 0/818 در مدل MLP بالاترین دقت را دارا می‌باشد.
نتیجه‌گیری: پژوهش حاضر، به ارزیابی مدل‌های یادگیری ماشین برای تشخیص سرطان حنجره بر اساس داده‌های صوتی پرداخته است، نتایج نشان داد که استفاده از مدل SVM برای تشخیص سرطان حنجره می‌تواند با دقت بیشتری در تشخیص این بیماری کمک کند و ارائه نتایج قابل اعتمادی را فراهم آورد.
روش کار: گام نخست، صداهای افرادی که به مراکز درمانی مراجعه کرده‌اند (شامل آواهای (آ)، (ای)، (او)) ضبط شده و به عنوان مجموعه داده در نظر گرفته شده‌اند؛ در گام دوم داده‌ها توسط پزشک متخصص به سه کلاس سرطان خوش‌خیم، سرطان بدخیم و سالم تقسیم شده‌اند؛ در گام سوم مرحله پاکسازی داده‌ها انجام شده است؛ در گام چهارم ویژگی‌های مرتبط با صدا از داده‌ها استخراج و در گام پنجم، 5 مدل یادگیری ماشین SVM، Decision Tree، Naïve Bayes، MLP و Random Forest بر روی مجموعه داده‌ها پیاده‌سازی شده است و در آخر با استفاده از معیارهای ارزیابی مانند دقت، F-score و دیگر معیارهای ارزیابی، عملکرد مدل‌ها ارزیابی شده است.
یافته‌ها: نتایج پیاده‌سازی نشان داد که مدل SVM برای آوای (آ) و آوای (او) با دقت 0/818، دقت بالاتری نسبت به سایر مدل‌ها از خود نشان داده است، آوای (ای) با دقت 0/818 در مدل MLP بالاترین دقت را دارا می‌باشد.
نتیجه‌گیری: پژوهش حاضر، به ارزیابی مدل‌های یادگیری ماشین برای تشخیص سرطان حنجره بر اساس داده‌های صوتی پرداخته است، نتایج نشان داد که استفاده از مدل SVM برای تشخیص سرطان حنجره می‌تواند با دقت بیشتری در تشخیص این بیماری کمک کند و ارائه نتایج قابل اعتمادی را فراهم آورد.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1402/12/22 | پذیرش: 1403/5/13
دریافت: 1402/12/22 | پذیرش: 1403/5/13
فایل صوتی [MP3 3394 KB] (15 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
