Photo Photo Photo Photo Photo Photo

Print
E-mail
Computer Science: A Hybrid Estimation System for Medical Diagnosis using Modified Full Bayesian Classifier and Artificial Bee Colony

 

A Hybrid Estimation System for Medical Diagnosis using Modified Full Bayesian Classifier and Artificial Bee Colony

 

Ahmed T. Sadiq1, Noor T. Mahmood*2

1Department of Computer Science, University of Technology, Baghdad, Iraq.

2Department of Computer Science, College of Science, University of Baghdad, Baghdad, Iraq.

 

Abstract

    This paper presents a hybrid approach called Modified Full Bayesian Classifier (M-FBC) and Artificial Bee Colony (MFBC-ABC) for using it to medical diagnosis support system. The datasets are taken from Iraqi hospitals, these are for the heart diseases and the nervous system diseases. The M-FBC is depended on common structure known as naïve Bayes. The structure for network is represented by D-separated for structure's variables. Each variable has Condition Probability Tables (CPTs) and each table for disease has Probability. The ABC is easy technique for implementation, has fewer control parameters and it could be easier than other swarm optimization algorithms, so that hybrid with other algorithms to reach the optimal structure. In the input stage, the symptoms and the medical history for the patient are processed through the BNs structures to obtain from Modified Full Bayesian Classifier- Artificial Bee Colony (MFBC-ABC). The proposed system inputs all medical dataset and it filters and extracts the dataset. After the evaluation of the structures, the system can select the best optimal structure by determining the accepted accuracy. The accuracy for M-FBC model is approximately (93%) for heart diseases and approximately (98%) for nervous system diseases. While in The MFBC-ABC model, the accuracy is approximately (100%) for heart diseases and is approximately (99%) for nervous model diseases. The experimental results shown that the results for MFBC-ABC is better than on M-FBC.

نظام تخميني مهجن لأغراض التشخيص الطبي باستخدام مصنف Bayesian المطور وخوارزمية مستعمرة النحل الاصطناعية

 

احمد طارق صادق1، نور ثامر محمود2*

1قسم علوم الحاسبات، الجامعة التكنلوجية، بغداد، العراق،2قسم علوم الحاسبات، كلية العلوم، جامعة بغداد، بغداد، العراق.

 

الخلاصة

    البحث يعرض الطريقة الهجينة التي تعتمد على ادوات الذكاء الاصطناعي المتكونة من مصنف Bayesian المطور (M-FBC) وخوارزمية مستعمرة النحل الاصطناعية ((ABC مما يؤدي الى MFBC-ABC)) حيث تستخدم لتدعم نظام التشخيص الطبي. ان قواعد البيانات المعتمدة في البحث لأمراض القلب وامراض الجملة العصبية مأخوذة من المستشفيات العراقية. يعتمد M-FBC على الهيكل العام المعروف naïve Bayes. ويتم تمثل متغيرات هيكل الشبكة بواسطة D-separating. وكل متغير يحتوي نسبة احتمالية وجودة في الجدول. كما وان كل جدول يتم حساب الاحتمالية له. خوارزمية مستعمرة النحل الاصطناعية هي أسهل من غيرها من خوارزميات السرب التي تستخدم للوصول للحل الامثل لذلك هي سهله التهجين مع غيرها من الخوارزميات للوصول الى الهيكل الامثل. في مرحلة الادخال، يتم معالجة الاعراض والتاريخ الطبي للمريض من خلال هياكل  BN الناتجة عن MFBC-ABC. النظام المقترح يأخذ كل البيانات المدخلة الطبية وفلاتر واستخراج البيانات. بعد تقيم الهياكل، يمكن للنظام تحديد أفضل هيكل مثالي وذلك بتحديد قيمة الدقة المقبولة. ان دقة الموديل M-FBC كانت تقريبا 93% لأمراض القلب ولأمراض الجملة العصبية تقريبا 98%. ومن القيام باختبار دقة MFBC-ABC لأمراض القلب كانت تقريبا 100% وامراض الجملة العصبية كانت تقريبا 99% والنتائج التجريبية أظهرتMFBC-ABC هو أفضل من M-FBC



alt

 

S5 Box

Login



Register

*
*
*
*
*

Fields marked with an asterisk (*) are required.