| المستخلص: |
يهدف البحث إلى مقارنة أسلوبين متبعين في التصنيف: التحليل التمييزي (Discriminate Analysis) الذي يعود إلى علم الإحصاء، والشبكات العصبية Neural Network وهي تقنية من تقنيات علم الحاسوب والذكاء الاصطناعي، ومن ثم مقارنة نتائجهما مع نتيجة التشخيص الطبي الفعلي لمرض سرطان الفم الذي اجري على عينة مؤلفة من (٣٧) مراجعا إلى كل من مستشفى الجمهوري ومستشفى السلام. من اجل التوصل إلى هدف البحث المذكور آنفا فقد صممت قاعدة بيانات متكاملة باستخدام البرمجة بلغة Visual Basic Ver 6.0 تحتوي على المعلومات الطبية كافة اللازمة لتشخيص المرض (ملحق 1). في التحليل التمييزي تم إيجاد: (الدالة التمييزية، نقطة الفصل ومعرفة نسبة الخطأ) بالتطبيق على عينة البحث التي شملت (14) حالة مشخصة طبياً بالمرض و (٢٣) حالة سليمة من المرض. وقد أظهر البحث نتيجة الدالة التمييزية التي يمكن استخدامها للتمييز بين الحالات المصابة بالمرض من عدمها من خلال معرفة نقطة الفصل البالغة (-21.3) فضلا عن معرفة نسبة الخطأ التي أشير إليها في نهاية البحث البالغة (0.003) والتي تعطي قوة الدالة التمييزية المستخدمة. واستخدمت الشبكة العصبية المدركة Perceptron المبسطة بوصفها شبكة لاقت النجاح في تصنيف العينات، لتصنيف الحالات المرضية بين مصاب بالمرض أو غير مصاب، واعتمدت القيمة (0.75 = 0) كقيمة العتبة ونسبة التعليم (0.02 =n) بوصفها قيمة لها تأثير في عدد التكرارات، ومن خلال تدريب الشبكة تم التوصل إلى تصنيف المرض بحالتين (حميد أو خبيث) أي (01 أو 10). وبمقارنة ما تم التوصل إليه في التحليل التمييزي والشبكة العصبية المدركة من خلال إدخال عدد من الحالات الجديدة وتصنيفها بالطريقتين المذكورتين آنفاً ثم مقارنة التصنيف مع التشخيص الطبي الذي أجري عليها وظهر توافق كبير في النتائج.
The current research aims at comparing the classification of: the discriminate analysis and the neural networks as a technique of computer sciences and artificial intelligence. Then comparing their results with the actual medical diagnosis of oral cancer that has been done on a sample consisted of (37) outpatient to Al - Jumhoori and Al - Salam Hospitals. In order to achieve the aims of the study, the data - base have been programmed via visual basic (v.6). The process includes all the medical data sheets for diagnosis (attached 1). In the discriminate analysis, three standards consisted of discriminate function. Finding the cut of point, the (rate of error) on the samples that includes (14), cases diagnosed medically (23), cases out of disease. The research demonstrated the discriminate function that can be used to distinct among with and without infected through knowing, cut of point amounted (-21.3), additionally knowing the rate of error referred in the end of the research that give a power of the discriminate function. A simplified perception neural network has been used as a successful procedure in classifying the cases of infected and non infected patients. By using (θ = 0.75, & (n = 0.020) as a threshold value and training rate respectively. In comparing what has been done in discriminate analysis and neural networks perception via input a number new cases then classifying them according to the medical diagnosis done, showed a great coincidence in results.
|
