پیش بینی تشخیص گلوکوم با استفاده از هوش مصنوعی

این فصل بر اساس تحقیقاتی است که با تمرکز اولیه برای ایجاد یک سیستم تشخیصی هوشمند برای گلوکوم - یک بیماری مرتبط با چشم ، از داده های بدست آمده از طریق پزشک توسط دستگاه های مختلف معاینه یا تجهیزات مورد استفاده در چشم پزشکی انجام شده است. این داده ها به عنوان مجموعه آموزشی برای طبقه بندی چندگانه استفاده می شود ، که با استفاده از ترکیبی از تکنیک های مختلف هوش مصنوعی توسعه یافته است.   طبقه بندی با رویکرد ترکیبی با استفاده از شبکه عصبی مصنوعی ، الگوریتم های Naive Bayes و الگوریتم های درخت تصمیم گیری انجام می شود. طراحی/توسعه یک تکنیک یا الگوریتم جدید برای چنین تشخیصی مورد نیاز است و از نظر کارآیی آن آزمایش می شود. با استفاده از الگوریتم ها و تکنیک های شبکه عصبی ، الگوریتم Naive Bayes و طبقه بندی کننده های درخت تصمیم ، تکنیک ترکیبی پیشنهادی به منظور تجزیه و تحلیل هوشمندانه و انجام تشخیص بیماریهای بینایی بیمار ، پیش بینی می شود ، بنابراین مداخله پزشکان از نظر تصمیم گیری کاهش می یابد. گروه پیشنهادی FGLAUC-99 18 پارامتر معاینه پزشکی را برای بیمار در نظر می گیرد و پیش بینی می کند که آیا بیمار از گلوکوم رنج می برد یا نه. در صورت تشخیص بیماری گلوکوم ، FGLAUC-99 نوع گلوکوم را نیز پیش بینی می کند. مجموعه طبقه بندی کننده ها نسبت به طبقه بندی کننده های جداگانه دقت بیشتری را نشان دادند. طبقه بندی کننده ها از گروه طبقه بندی کننده ها انتخاب شدند. طبقه بندی کننده اول در دسته بندی از طبقه بندی کننده های احتمالی مانند Naive Bayes قرار گرفت ، زیرا طبقه بندی کننده های احتمالی دقت بیشتری را ارائه می دهد. طبقه بندی دوم از طبقه بندی کننده درخت تصمیم ، مانند ، جنگل تصادفی ، J48 انتخاب شد. طبقه بندی کننده درخت تصمیم گیری تفسیرپذیری خوبی را ارائه می دهد. طبقه بندی سوم از طبقه بندی کننده شبکه عصبی مانند MLP انتخاب شد. طبقه بندی کننده های شبکه عصبی پیش بینی بهتری را ارائه می دهند. FGLAUC-99 با طبقه بندی J48 ، Naïve Bayes و MLP با دقت 99.18 developed توسعه یافته است. دقت را نمی توان با طبقه بندی کننده های دیگر مقایسه کرد زیرا مجموعه داده منحصراً توسعه یافته است. با این حال ، دقت به دست آمده از طبقه بندی کننده FGLAUC-99 بهتر از دقت به دست آمده از سایر طبقه بندی کننده های موجود در ادبیات است.