تمت في كلية الادارة والاقتصاد / جامعة بغداد ، مناقشة رسالة الماجستير الموسومة (استعمال الشبكات العصبية الاصطناعية وشجرة الانحدار الأمثل – الخوارزمية الجينية لتشخيص مرض التهاب الكبد) في تخصص الاحصاء للطالبة (هبه هذال خليل) بأشراف أ.د صباح منفي رضا
انطلقت مشكلة البحث من كون ارتفاع حالات الإصابة بالمرض مشكلة يعاني منها المجتمع والصحة العامة في العالم اجمع ، حيث يوجد ملايين الأشخاص مصابين بالتهاب الكبد الفيروسي ويتعرض ملايين اخرين لخطرالعدوى به , وان معظم الذين اصيبوا بالتهاب الكبد ، لا يعرفون عن اصابتهم بالفيروس المزمن وهم الأكثر عرضه لتحولهِ الى التهاب مزمن يؤدي الى الوفاة وينقلون العدوى للأخرين دون ان يعرفوا ذلك , حيث يعد الفيروس مسؤول عن وفاة اكثر من مليون شخص سنوياً و يسبب التهاب الكبد الفيروسي مشكلة على نظام الرعاية الصحية بما يفرضه من تكاليف عالية لمعالجة الفشل الكبدي والتهاب الكبد المزمن , ويكون الكبد الفيروسي السبب الاساسي في عمليات زراعة الكبد في حالات المعالجة المتأخرة للمرض حيث تكون عالية التكاليف .
ان هدف الدراسة هو التشخيص الدقيق والمبكر يعُد افضل الطرق للوقاية من المرض باستخدام الشبكات العصبية الاصطناعية التي لها القدرة على التشخيص الدقيق للفيروس وإعطاء نتائج اكثر دقة تساعد الأطباء في التشخيص المبكر. حيث تم استعمال خوارزميات التصنيف للشبكة العصبية ( ANN) وشجرة القرار CART , مع تطوير نهج هجين من الخوارزمية التعلم الالي مع خوارزميات التصنيف ANN و CART لتحسين دقة التصنيف , وتقييم الطرق المستعملة في الخوارزميات المختلفة حسب معايير الدقة وقياس الأداء .
وقد توصلت الدراسة الى عدد من الاستنتاجات اهمها :
- في طريقة CART يكون خطا التصنيف عند الحجم 200 افضل من بقية احجام العينة اذ النتائج تتحسن بشكل ادق .و كلما قل خطأ التصنيف و متوسط الخطأ المطلق النسبي MAPE كلما ارتفع RMSE .
- تتعامل طريقة CART مع حجوم العينات المختلفة اذا ان خطأ التصنيف لايكون افضل عند حجم معين خلال التدريب 80%) او 70 %) واختبار( 20% او 30% ) , حيث عند تقسيم المتغير التابع الى مستويين كان افضل خطا تصنيف عند الحجم 200 , اما عند تقسيم المتغير التابع الى ثلاث مستويات كان افضل خطأ التصنيف عند الحجم 100 .
- في طريقة RBF يكون خطأ التصنيف افضل عند الحجم 400 اذ ان الخوارزمية الجينية تعطي افضل تحسين , وكذلك كلما قل خطأ التصنيف ارتفع معيار متوسط الخطأ للجذر التربيعي ( RMSE)بينما ينخفض MAPE .
- تتعامل طريقة RBF مع حجم العينات الكبيرة فكلما كبر حجم العينة كان اداءها بشكل افضل من خلال المعايير المقارنة (Classification of Error , MRSE and MAPE ) .
ومن خلال الاستنتاجات التي توصلت اليها الدراسة قدمت الباحثة عدد من التوصيات اهمها :
- توسيع الدراسة باستعمال طريقة RBF و CARTمن خلال اخذ حجوم اكبر مما اخذت في هذه الدراسة لكون الشبكة العصبية الاصطناعية كلما كبر حجم العينة كانت دقتها افضل .
- توسيع استعمال الخوارزمية الجينية( (Genetic Algorithm في تحسين نتائج الطرق في البحوث والدراسات الإحصائية لتميزها بالكفاءة والمرونة , ومقارنتها مع طرق أخرى .
- الاستعانة بطريقة شجرة الانحدار التصنيفية – الخوارزمية الجينية من خلال إعطاء دقة افضل بالتصنيف ومقارنتها مع الطرق ألأخرى للتشخيص كطريقة نموذج المخاطرة CXR – CVD والتي تعتبر واحده من طرق الذكاء الاصطناعي العميق المتطورة .
- استعمال طريقة دالة الأساس الشعاعي – الخوارزمية الجينية (RBFN – GA ) في السلاسل الزمنية و الانحدار ومقارنتها مع الطرق الإحصائية الكلاسيكية .