ارزیابی شبکه بیزی جهت پیش بینی موفقیت لقاح آزمایشگاهی

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 748

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICS11_116

تاریخ نمایه سازی: 14 مهر 1392

چکیده مقاله:

لقاح آزمایشگاهی( IVF ) یک تکنیک کمکی در درمان ناباروری است. پیش بینی دقیق و زود هنگام نتیجه لقاح آزمایشگاهی برای بیماران و پزشکان مهم است. استفاده از شبکه بیزی روشی نو جهت پیش بینی موفقیت درمان IVF است. شبکه های بیزی ابزاری برای رسیدگی به عدم قطعیت و پیچیدگی را فراهم می کنند. در این مقاله با توجه به عدم قطعیت در درمان، مدلی بر پایه یادگیری با نظارت توسط شبکه بیزی پیشنهاد شده است، تا بتوان تغییرات ممکن در پروسه درمان لقاح آزمایشگاهی را پیشنهاد و نرخ موفقیت کلی را بهبود داد. برای تشکیل شبکه بیزی، ساختار و پارامترهای آن آموزش داده شده است و سه روش یادگیری ساختار مورد ارزیابی قرار گرفته است. برای آموزش و تست شبکه بیزی از دادههای مرکز ناباروری نوین مشهد استفاده شده است. به دلیل نا متوازن بودن داده های آموزش از روش نمونه گیری استفاده شده است. نتایج نشان می دهد شبکه های بیزی نسبت به سایر روشها از دقت بالاتری برخوردار است و میتوانند به عنوان رهیافت کاربردی جدید جهت مدلسازی اطلاعات به منظور پیش بینی نتیجه IVF مورد استفاده قرار گیرند

نویسندگان

سمر اشرافی کاخکی

گروه هوش مصنوعی و رباتیک، دانشگاه آزاد اسلامی واحد مشهد

سوده لایقی

گروه نرم افزار ، دانشگاه آزاد اسلامی واحد مشهد

سعید راحتی قوچانی

گروه برق، دانشگاه آزاد اسلامی واحد مشهد

نیره خادم

دانشگاه علوم پزشکی مشهد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Fassino, S., et al, "Anxiety, depression _ anser suppression in ...
  • Tan, S., et al. "Cumulative conception and livebirth _ after ...
  • _ # _ _ _ after in vitro fert liation-embryo ...
  • _ _ _ _ _ _ Vol. 12, No 1: ...
  • Manna, C., et a. "Experimental results on the recognition of ...
  • Morales, D.A., et al., "Bayesian classification for the selection of ...
  • Guh, R.S., T.C.J. Wu, and S.P. Weng, "Integrating genetic algorithm ...
  • Trimarchi, J.R., et al., "Comparing data mining and logistic regression ...
  • Uyar, A., et al., "3P: Personalized pregnancy prediction in ivf ...
  • Saith, R., et al. "Relationships between the developmental ...
  • Reproduction Update, Vol.4, No. 2, pp. 121-134, 1998. ...
  • Kaufmann, S., et al., "The application of neural networks in ...
  • Marcus, G.F. "Rethinking eliminative connectionism! Cognitive psychology, Vol.37, pp. 243-282. ...
  • Margaritis, D., "Learning Bayesian network model structure from data", PhD. ...
  • ] P. Spirtes, C. Glymour, R. Scheines, "Causation, Prediction, and ...
  • K. P. Murphy, "An Introduction o Graphical Models, " Technical ...
  • _ _ _ Statistical Data, " presented at Machine Learming, ...
  • Tsamardinos, I., L.E. Brown, and C.F Aliferis, "The max-min hill-clmbing ...
  • Spirtes, P., C. Glymour, and R. Scheines, "Causation, prediction, and ...
  • J. Cheng and R. Greiner, "Learing Bayesian Belief Network Classifiers: ...
  • ] J. Cheng, D. A. Bell, W. Liu, _ Algorithm ...
  • W.L. Buntine, _ Guide _ the Literature on Learming Probabilistic ...
  • th Iranian Conference on Intelligent Systems February 27th & 28th, ...
  • AAAI, Vol.2, pp.825-830, 2005. ...
  • نمایش کامل مراجع