تشخیص و تشخیص بیماری مزمن کلیه با استفاده از شبکه عصبی مصنوعی اصلاح شده ناهمگن مبتنی بر یادگیری

شیوع بیماری مزمن کلیه (CKD) هر ساله در سناریوی حاضر تحقیق افزایش می یابد. یکی از منابع مورد نیاز برای درمان بیشتر ، پیش بینی CKD است که به دلیل توانایی طبقه بندی دقیق در تکنیک های یادگیری ماشین ، در تشخیص پزشکی اهمیت بیشتری پیدا می کنند. در گذشته های اخیر ، دقت الگوریتم های طبقه بندی بستگی به استفاده صحیح از الگوریتم های انتخاب ویژگی برای کاهش اندازه داده دارد. در این مقاله ، شبکه عصبی مصنوعی اصلاح شده ناهمگن (HMANN) برای تشخیص زودرس ، تقسیم بندی و تشخیص نارسایی مزمن کلیه در بستر اینترنت اشیاء پزشکی (IoMT) ارائه شده است. علاوه بر این ، HMANN پیشنهادی به عنوان یک الگوریتم Backpropagation (BP) به عنوان یک ماشین بردار پشتیبان و چند لایه Perceptron (MLP) طبقه بندی می شود. الگوریتم پیشنهادی بر اساس تصویر سونوگرافی کار می کند که به عنوان یک مرحله پردازش مشخص شده و منطقه مورد علاقه کلیه در تصویر سونوگرافی تقسیم می شود. در تقسیم بندی کلیه ، روش پیشنهادی HMANN با دقت بالایی به دست می آید و به طور قابل توجهی زمان ترسیم کانتور را کاهش می دهد.