یافته های نوین در علوم زیستی، جلد ۵، شماره ۲، صفحات ۲۰۵-۲۲۰
عنوان فارسی مدل سازی سیستم ایمنی بدن با استفاده از شبکه های بیزی
چکیده فارسی مقاله در این مقاله براساس الگوی شبکه­ های بیزی در  ساختار مارکوفی و درختی، که یکی از الگوریتم‌های معروف در یادگیری ماشین است، به مطالعۀ عفونت ادراری افراد، که یکی از علایم شایع در ضعف سیستم ایمنی بدن است، پرداخته شده است. در این مقاله یک نمونه در مقیاس بزرگ برای ارزیابی عمل­کرد الگوریتم شبکه­ های بیزی انجام شده است. در این مطالعه 4052 نمونه از بانک اطلاعاتی مربوط به معاونت درمان دانشگاه علوم پزشکی قزوین- مرکز بهداشت و درمان شهرستان تاکستان  استخراج شد که هم آزمایش تحلیل ادرار و هم آزمایش کشت ادرار داشتند. با توجه به اهداف مطالعه و با استفاده از نظر متخصص آزمایشگاه و متخصص ارولوژی 15 متغیر انتخاب شد. متغیر نوع عفونت ادراری به عنوان پاسخ و 14 متغیر ورودی در مدل شبکۀ بیزی با الگوریتم ­های مختلف تحت بررسی قرار گرفتند. نتایج نشان می­دهد روش شبکۀ بیزی با ساختار درختی و انتخاب گام به گام متغیرها تقریباً بدون خطا برای 7/ 99 درصد از داده­های آموزشی، (75 درصد از کل داده­ها)، و 8/99 درصد داده­ های آزمایشی (25درصد از کل داده­ ها) دارای تشخیص درست است. براساس الگوی شبکه­ های بیزی، متغیرهای کمکی تأثیرگذار بر عفونت ادراری، افزایش باکتری­ها و کاهش گلبول­ های سفید خون در گروه­ های سنی مختلف به­ دست آمده است. نتایج این مطالعه در چارچوب یادگیری ماشین و سیستم­ های هوشمند، می­تواند برای تشخیص سریع این بیماری و درمان افراد مشکوک به این بیماری در سطح جامعه بدون حضور فیزیکی  استفاده شود
کلیدواژه‌های فارسی مقاله الگوریتم درختی، الگوریتم مارکوفی، باکتری، گلبول های سفید، یادگیری ماشین
عنوان انگلیسی The modeling of body's immune system using Bayesian Networks
چکیده انگلیسی مقاله In this paper, the urinary infection, that is a common symptom of the decline of the immune system, is discussed based on the well-known algorithms in machine learning, such as Bayesian networks in both Markov and tree structures. A large scale sampling has been executed to evaluate the performance of Bayesian network algorithm. A number of 4052 samples wereobtained from the database of the Takestan Department of Health, a center affiliated to Qazvin University of Medical Sciences. According to the goals of the study and using the expert opinion of the laboratory and urologist, 15 variables were selected. The database included both urine analysis and culture tests. The results indicated 99.7% accuracy of the diagnosis for the training data, (75% of total data), and 99.8% accuracy of the diagnosis for testing data (25% of total data). Based on the Bayesian network model, the important covariates influencing the Urinary infection have been proved to be the increase of bacteria and the decrease of white blood cells in different age groups. The results of this study can be used in the context of machine learning and intelligent systems for rapid diagnosis of the disease and the treatment of people suspected of suffering from it.
 
کلیدواژه‌های انگلیسی مقاله bacteria, machine learning, markov algorithm, tree algorithm, white blood cells
نویسندگان مقاله فرزاد اسکندری | Farzad Eskandari
Allameh Tabataba'i University
دانشگاه علامه طباطبایی

نشانی اینترنتی http://nbr.khu.ac.ir/browse.php?a_code=A-10-81-77&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده علوم گیاهی
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات