การวินิจฉัยผลตรวจเลือดโดยใช้ออนโทโลจีและกฎนิวโรฟัซซีแบบปรับตัวได้

Abstract

งานวิจัยนี้ได้นำเสนอ ตัวแบบการตัดสินใจเชิงความหมายสำหรับการวินิจฉัยโรคและความเสี่ยงในการเกิดโรคส่วนบุคคลจาก ผลการตรวจทางห้องปฏิบัติการทางการแพทย์ ตัวแบบพัฒนาเป็นฐานความรู้ออนโทโลจีโดยผสมผสานหลักการของฟัซซีโลจิก และโครงข่ายประสาทเทียม กฎของการตัดสินใจเชิงความหมายแบบฟัซซีได้รับการออกแบบสำหรับข้อมูลนำเข้าผลตรวจเลือด 9 รายการตรวจ และข้อมูลการส่งออกการแปลผลตรวจ 3 ผลลัพธ์ ข้อมูลการนำเข้าประกอบด้วยผลตรวจ FBS, BUN, Creatinine, Uric acid, Cholesterol, Triglyceride, ALP, ALT และ AST และข้อมูลส่งออกเป็นผลของการแปลผลตรวจเลือดทางห้องปฏิบัติการทางการแพทย์ ผลการวินิจฉัยโรค และผลระดับความเสี่ยงในการเกิดโรค กฎฟัซซีของการวินิจฉัยโรคเชิงความหมายมีการเรียนรู้แบบมีผู้สอนแบบโครงข่ายประสาทเทียม โดยใช้ชุดข้อมูลที่ผ่านการตรวจสอบแล้วมาใช้สอนและทดสอบกฎ ในงานวิจัยนี้เราใช้โปรแกรมโปรทีเจ เวอร์ชั่น 3.4.4 ในการสร้างออนโทโลจีเพื่อเป็นฐานความรู้ในรูปแบบของ OWL และสร้างกฎเชิงความหมายในรูปแบบภาษา SWRL ที่สามารถอนุมานกฎจากฐานความรู้เชิงความหมายที่สร้างขึ้น ได้ผลการตรวจวินิจฉัยโรคจากผลตรวจเลือด การประเมินประสิทธิภาพความถูกต้องของตัวแบบระบบวินิจฉัยโรคจากผลตรวจเลือดใช้การตรวจสอบแบบไขว้ (10 Fold Cross-Validation)โดยวัดค่าความแม่นยา(Precision) ได้ 98.55 % ค่าความครบถ้วน(Recall) ได้ 99.27 % และ ค่าความถ่วงดุล (F-measure) ได้ 99.07 % This research proposes a semantic decision making model for providing diagnosis of personalized risk disease in clinical laboratory results. The model presents an ontology based on adaptive neuro-fuzzy rule for blood diagnosis system. The semantic fuzzy rule was designed with nine input blood results and three output interpretations. The input variables are FBS, BUN, Creatinine, Uric acid, Cholesterol, Triglyceride, ALP, ALT and AST. The output detected the laboratory results interpretation such as diagnosis risk levels of disease which are classified with fuzzy linguistic variable. The data set used neural network modeled to make it appropriate for the supervise training, in diagnostic rule then the initial fuzzy structure was generated as fuzzy if-then rule, the semantic rules base was learned with the set of training data after which was tested and validated with the set of testing data. In this paper, we presented an implementation of this ontology in Protégé 3.4.4 using OWL and SWRL rule that can be inferred blood diagnosis results from an existing semantic knowledge-based with rule inference engine. The efficiency in providing accuracy for blood diagnosis of the proposed model was evaluated by 10 fold cross-validation. The model performance result was measured with average 98.55 % precision, 99.27 % recall and 99.07 % F-measure.