Soft Computing Techniques for Type-2 Diabetes Data Classification

دیابت شیرین (DM، که معمولا به عنوان دیابت شناخته می شود، یک اختلال متابولیک است که در آن سطوح قند خون برای مدت طولانی بالا می رود. کمبود انسولین کافی باعث وجود سطح قند اضافی در خون می شود. در نتیجه گلوکز افزایش می یابد. سطح آن در بیماران دیابتی بیشتر از افراد عادی است، علائمی مانند تکرر ادرار، افزایش گرسنگی، افزایش تشنگی و قند خون بالا دارد. عمدتاً سه نوع دیابت به نام های دیابت نوع 1، نوع 2 و دیابت بارداری وجود دارد. دیابت نوع 1 به دلیل اینکه سیستم ایمنی به اشتباه به سلول‌های بتا حمله کرده و آنها را از بین می‌برد و دیابت نوع 2 به دلیل مقاومت به انسولین ایجاد می‌شود. دیابت بارداری در زنان در دوران بارداری به دلیل مسدود شدن انسولین توسط هارمون‌های بارداری رخ می‌دهد. از بین این سه نوع دیابت، دیابت نوع 2 است. شیوع بیشتری دارد و میلیون‌ها نفر را در سراسر جهان تحت تأثیر قرار می‌دهد. سیستم‌های طبقه‌بندی و پیش‌بینی در واقع در بخش مراقبت‌های بهداشتی برای کشف الگوهای پنهان در داده‌های بیماران قابل اعتماد هستند. تکنیک های سازماندهی درمان درصد کمتر بهبود در دقت پیش‌بینی طبقه‌بندی‌کننده برای اهداف تشخیص پزشکی که اشتباهات می‌توانند آسیب زیادی به زندگی بیمار وارد کنند بسیار مهم است. از این رو، ما به یک سیستم طبقه بندی دقیق تری برای پیش بینی DM نوع 2 نیاز داریم. اگرچه اکثر الگوریتم‌های طبقه‌بندی فوق کارآمد هستند، اما نتوانستند دقت خوبی را با هزینه محاسباتی پایین ارائه دهند. در این کتاب، ما الگوریتم‌های طبقه‌بندی مختلفی را با استفاده از تکنیک‌های محاسباتی نرم مانند شبکه‌های عصبی (NN)، سیستم‌های فازی (FS) و هوش ازدحام (SI) پیشنهاد کردیم. نتایج تجربی نشان می‌دهد که این الگوریتم‌ها قادر به تولید دقت طبقه‌بندی بالا با هزینه محاسباتی کمتر هستند. مشارکت‌های ارائه‌شده در این کتاب باید با استفاده از روش‌های محاسباتی نرم برای شناسایی دیابت، به اهداف زیر بپردازد.

• معرفی یک مدل بهینه سازی شده RBFN به نام Opt-RBFN.
• طراحی یک قانون استخراج کننده مقرون به صرفه به نام SM-RuleMiner برای تشخیص دیابت نوع 2.
• ایجاد قوانین فازی قابل تفسیر بیشتر برای تشخیص دقیق دیابت نوع 2 با استفاده از RST-BatMiner.
• توسعه دقیق چارچوب های مجموعه آبشاری به نام Diabetes-Network برای تشخیص دیابت نوع 2.
• پیشنهاد یک چارچوب مجموعه چند سطحی به نام Dia-Net برای بهبود دقت طبقه بندی تشخیص دیابت نوع 2.
• طراحی یک مدل نمره خطر هوشمند دیابت به نام Intelli-DRM شدت دیابت را برآورد می کند.

این کتاب به عنوان یک کتاب مرجع برای محققان علمی که نیاز به تجزیه و تحلیل داده‌های بیماری و/یا داده‌های عددی دارند، و همچنین محققانی که در حال توسعه روش‌شناسی در زمینه محاسبات نرم هستند، عمل می‌کند. همچنین ممکن است به عنوان یک کتاب درسی برای دوره های تحصیلات تکمیلی و فوق لیسانس در یادگیری ماشین یا محاسبات نرم استفاده شود.

Diabetes Mellitus (DM, commonly referred to as diabetes, is a metabolic disorder in which there are high blood sugar levels over a prolonged period. Lack of sufficient insulin causes presence of excess sugar levels in the blood. As a result the glucose levels in diabetic patients are more than normal ones. It has symptoms like frequent urination, increased hunger, increase thirst and high blood sugar. There are mainly three types of diabetes namely type-1, type-2 and gestational diabetes. Type-1 DM occurs due to immune system mistakenly attacks and destroys the beta-cells and Type-2 DM occurs due to insulin resistance. Gestational DM occurs in women during pregnancy due to insulin blocking by pregnancy harmones. Among these three types of DM, type-2 DM is more prevalence, and impacting so many millions of people across the world. Classification and predictive systems are actually reliable in the health care sector to explore hidden patterns in the patients data. These systems aid, medical professionals to enhance their diagnosis, prognosis along with remedy organizing techniques. The less percentage of improvement in classifier predictive accuracy is very important for medical diagnosis purposes where mistakes can cause a lot of damage to patient’s life. Hence, we need a more accurate classification system for prediction of type-2 DM. Although, most of the above classification algorithms are efficient, they failed to provide good accuracy with low computational cost. In this book, we proposed various classification algorithms using soft computing techniques like Neural Networks (NNs), Fuzzy Systems (FS) and Swarm Intelligence (SI). The experimental results demonstrate that these algorithms are able to produce high classification accuracy at less computational cost. The contributions presented in this book shall attempt to address the following objectives using soft computing approaches for identification of diabetes mellitus.

• Introuducing an optimized RBFN model called Opt-RBFN.
• Designing a cost effective rule miner called SM-RuleMiner for type-2 diabetes diagnosis.
• Generating more interpretable fuzzy rules for accurate diagnosis of type2 diabetes using RST-BatMiner.
• Developing accurate cascade ensemble frameworks called Diabetes-Network for type-2 diabetes diagnosis.
• Proposing a Multi-level ensemble framework called Dia-Net for improving the classification accuracy of type-2 diabetes diagnosis.
• Designing an Intelligent Diabetes Risk score Model called Intelli-DRM estimate the severity of Diabetes mellitus.

This book serves as a reference book for scientific investigators who need to analyze disease data and/or numerical data, as well as researchers developing methodology in soft computing field. It may also be used as a textbook for a graduate and post graduate level course in machine learning or soft computing.