Nova Biologica Reperta
یافته های نوین در علوم زیستی
NBR
Basic Sciences
http://nbr.khu.ac.ir
1
admin
2423-6330
2476-7115
10.52547/nbr
en
jalali
1397
6
1
gregorian
2018
9
1
5
2
online
1
fulltext
fa
مدل سازی سيستم ايمنی بدن با استفاده از شبکه های بيزی
The modeling of body's immune system using Bayesian Networks
علوم گیاهی
Plant Biology
مقاله پژوهشی
Original Article
<span dir="RTL"><span style="font-family:b zar;"><span style="font-size:10.0pt;">در این مقاله براساس الگوی شبکه­ های بيزی در ساختار مارکوفی و درختی، که يکی از الگوریتمهای معروف در يادگيری ماشين است، به مطالعۀ عفونت ادراری افراد، که يکی از علايم شايع در ضعف سیستم ایمنی بدن است، پرداخته شده است.</span></span></span> <span dir="RTL"><span style="font-family:b zar;"><span style="font-size:10.0pt;">در این مقاله یک نمونه در مقیاس بزرگ برای ارزیابی عمل</span></span></span><span style="font-family:calibri,sans-serif;"><span style="font-size:10.0pt;">­</span></span><span dir="RTL"><span style="font-family:b zar;"><span style="font-size:10.0pt;">کرد الگوریتم شبکه­ های بیزی انجام شده است. در اين مطالعه 4052 نمونه از </span></span></span><span dir="RTL"><span style="font-family:b zar;"><span style="font-size:10.0pt;">بانك اطلاعاتي مربوط به معاونت درمان دانشگاه علوم پزشكي قزوين</span></span></span><span dir="RTL"><span style="font-family:b zar;"><span style="font-size:10.0pt;">-</span></span></span><span dir="RTL"><span style="font-family:b zar;"><span style="font-size:10.0pt;"> مركز بهداشت و درمان شهرستان تاكستان استخراج شد که هم آزمايش تحليل ادرار و هم آزمايش كشت ادرار داشتند. با توجه به اهداف مطالعه و</span></span></span> <span dir="RTL"><span style="font-family:b zar;"><span style="font-size:10.0pt;">با استفاده از نظر متخصص آزمايشگاه و متخصص ارولوژي 15 متغير انتخاب شد. متغير نوع عفونت ادراری به عنوان پاسخ و 14 متغير ورودی در مدل شبکۀ بيزی با الگوريتم ­های مختلف تحت بررسی قرار گرفتند. نتایج نشان می­دهد روش شبکۀ بيزی با ساختار درختی و انتخاب گام به گام متغيرها تقريباً بدون خطا برای 7/ 99 درصد از داده­های آموزشی، (75 درصد از کل داده­ها)، و 8/99 درصد داده­ های آزمايشی (25</span></span></span><span dir="RTL"><span style="font-family:b zar;"><span style="font-size:10.0pt;">درصد</span></span></span><span dir="RTL"><span style="font-family:b zar;"><span style="font-size:10.0pt;"> 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 سيستم­ های هوشمند، می­تواند برای تشخیص سریع این بیماری و درمان افراد مشکوک به این بیماری</span></span></span> <span dir="RTL"><span style="font-family:b zar;"><span style="font-size:10.0pt;">در سطح جامعه بدون حضور فيزيکی </span></span></span> <span dir="RTL"><span style="font-family:b zar;"><span style="font-size:10.0pt;">استفاده شود</span></span></span>
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.<br />
الگوریتم درختی, الگوریتم مارکوفی, باکتری, گلبول های سفید, یادگیری ماشین
bacteria, machine learning, markov algorithm, tree algorithm, white blood cells
205
220
http://nbr.khu.ac.ir/browse.php?a_code=A-10-81-77&slc_lang=fa&sid=1
Farzad
Eskandari
فرزاد
اسکندری
10031947532846005277
10031947532846005277
Yes
Allameh Tabataba'i University
دانشگاه علامه طباطبایی