A hybrid estimation system for medical diagnosis using modified full Bayesian classifier and artificial bee colony

• Published in: Iraqi journal of science 2014, Vol.55 (3A), p.1095-1107
• Main Authors: al-Ubaydi, Ahmad Tariq Sadiq, Mahmud, Nur Thamir
• Format: Article
• Language: ara ; eng
• Subjects: Algorithms; Artificial intelligence; Medical applications; التطبيقات الطبية; الخوارزميات; الذكاء الاصطناعي
• ISSN: 0067-2904; 2312-1637

البحث يعرض الطريقة الهجينة التي تعتمد على أدوات الذكاء الإصطناعي المتكونة من مصنف Bayesian المطور (M-FBC) و خوارزمية مستعمرة النحل الاصطناعية (ABC) مما يؤدي إلى MFBC-(ABC) حيث تستخدم لتدعيم نظام التشخيص الطبي. إن قواعد البيانات المعتمدة في البحث لأمراض القلب و أمراض الجملة العصبية مأخوذة من المستشفيات العراقية. يعتمد M-FBC على الهيكل العام المعروف naïve Bayes. و يتم تمثيل متغيرات هيكل الشبكة بواسطة D-Separating. و كل متغير يحتوي نسبة احتمالية وجوده في الجدول. كما و أن كل جدول يتم حساب الاحتمالية له. خوارزمية مستعمرة النحل الاصطناعية هي أسهل من غيرها من خوارزميات السرب التي تستخدم للوصول للحل الأمثل لذلك هي سهلة التهجين مع غيرها من الخوارزميات للوصول إلى الهيكل الأمثل. في مرحلة الإدخال، يتم معالجة الأعراض و التاريخ الطبي للمريض من خلال هياكل BN الناتجة عن MFBC-ABC. النظام المقترح يأخذ كل البيانات المدخلة الطبية و فلاتر و استخراج البيانات. بعد تقيم الهياكل، يمكن للنظام تحديد أفضل هيكل مثالي و ذلك بتحديد قيمة الدقة المقبولة. إن دقة الموديل M-FBC كانت تقريبا 93 % لأمراض القلب و لأمراض الجملة العصبية تقريبا 98 %. و من القيام باختبار دقة MFBC-ABC لأمراض القلب كانت تقريبا 100 % و أمراض الجملة العصبية كانت تقريبا 99% و النتائج التجريبية أظهرت MFBC-ABC هو أفضل من M-FBC. 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 i