Search In this Thesis
   Search In this Thesis  
العنوان
Anemia disease recognition using machine learning algorithms /
المؤلف
El-Boghdady, Asmaa Mohamed Ibrahim.
هيئة الاعداد
باحث / أسماء محمد إبراهيم البغدادي
مشرف / محمد عبدالعليم ياقوت
مشرف / محمد محمود عاشور
مشرف / إيمان محمود عبدالحليم
مناقش / رشدي أبوالعزايم عبدالرسول
الموضوع
Machine learning (ML). Hemoglobin (HGB). Anemia disease (AD).
تاريخ النشر
2024.
عدد الصفحات
online resource (92 pages) :
اللغة
الإنجليزية
الدرجة
ماجستير
التخصص
الهندسة الكهربائية والالكترونية
تاريخ الإجازة
1/1/2024
مكان الإجازة
جامعة المنصورة - كلية الهندسة - هندسة الاكترونيات والاتصالات
الفهرس
Only 14 pages are availabe for public view

from 92

from 92

Abstract

تصنف منظمة الصحة العالمية مرض فقر الدم كأحد أمراض الدم الأكثر شيوعاً في العالم ويعد مرض فقر الدم مشكلة خطيرة على الصحة العامة بسبب تأثيره على أكثر من 40% من المجتمع. كما يؤثر فقر الدم على حوالي 1.62 مليار فرد على المستوي العالمي، مما يمثل نسبة حوالي 24.8% من إجمالي السكان في العالم. يعد الشخص مصابا بمرض فقر الدم عندما لا يحتوي الدم على الكمية المطلوبة من الهيموجلوبين (المكون الرئيسي لخلايا الدم الحمراء). يلعب الهيموغلوبين دوراً مُهماً في الجسم، حيث أنه هو المسؤول عن نقل الأكسجين إلى أنسجة الجسم. غالبًا ما يعاني الأطفال والرضع في جميع أنحاء العالم من مرض فقر الدم، والذي يحدد مستويات الهيموجلوبين بانحرافين معياريين أقل من متوسط العمر. من الأنواع الأكثر شيوعًا عند الأطفال هو فقر الدم صغير الكريات، والذي يحدث بسبب نقص نسبة الحديد. تكمن الخطورة للمرض عند البالغون الذين يعانون من حالات فقر الدم المستعصية لأنهم معرضون لخطر الإصابة بمشاكل خطيرة في القلب أو الرئة. هذا البحث عبارة عن ثلاثة أجزاء. الجزء الأول يهتم بتصنيف أنواع فقر الدم. قامت إحدى الدراسات بتصنيف حالة المرض الي خمس فئات (الحديد، B12، حمض الفوليك، HGB، لا يوجد فقر الدم). الجزء الثاني يقدم وصفًا لقاعدة البيانات والخوارزميات التي تم استخدامها في هذا البحث. تحتوي قاعدة البيانات على 15300 مريض. والجدير بالذكر ان ما يشار إليه غالبًا باسم الذكاء الاصطناعي هو ببساطة ناتج مكون من تقنيات أخري مثل التعلم الآلي. تعد طريقتي SVM وANN من أكثر الطرق شيوعًا لنمذجة حالات فقر الدم في التعلم الآلي (ML) وغالبًا ما يتم استخدامها لاختبار تقنيات جديدة ولها قوة تنبؤية واعدة لنمذجة فقر الدم. بالمقارنة مع الخوارزميات الفردية، توفر الأساليب الجماعية في التعلم الآلي العديد من المزايا مقارنة بالخوارزميات الفردية. حيث تسمح الأساليب الجماعية في التعلم الآلي بتوسيع مساحة الفرضية لدالة التحسين مما يحسن عملية التنبؤ. تبين عند التطبيق أن تصنيف فقر الدم أعطى نتائج ممتازة؛ على سبيل المثال، حققت استراتيجية الحزمة المكدسة نسبة دقة بلغت 99.95. بالإضافة إلى ذلك، حصلنا على درجة F1 وصلت الي حوالي 99.95%. علاوة على ذلك بلغت دقة الاستدعاء حوالي 99.95%. بمقارنة هذه النتائج مع النتائج المنشورة في الأبحاث المشابهة، كانت النتائج التي توصل اليها البحث أفضل من حيث الدقة.