A Novel Fuzzy Knowledge Graph Pairs-based Model in extreme cases for Hepatitis Sign Diagnosis
Description
Abstract Recently, machine learning models based on fuzzy inference systems have effectively solved problems in medical diagnosis and received much attention from researchers around the world. For example, Fuzzy Inference System (FIS), Mamdani Complex Fuzzy Inference System with Rule Reduction (M-CFIS-R), Mamdani Complex Fuzzy Inference System with Fuzzy Knowledge Graph (M-CFIS-FKG), and Fuzzy Knowledge Graph Pairs (FKG-Pairs) have been proposed. These machine-learning models have successfully solved most of the disease diagnosis problems based on complex symtom datasets with some characteristics such as amplitude and phase term, uncertain or incomplete input information. However, these models have revealed limitations when dealing with decision-making or disease diagnosis problems in extreme cases (where training datasets are too small or input datasets are large). To overcome this challenge, the FKG-Extreme model, based on FKG-Pairs combined with Q-learning techniques, has been proposed. In order to promote the practical application of the theoretical model FKG-Extreme, a model for Hepatitis Sign Diagnosis has been proposed in this paper. A simulation application of the proposed model has been built, and experimental results have been carried out based on the Liver dataset collected from the UCI machine learning repository, with results in terms of accuracy 13.3% higher than the FKG-Pairs model. Furthermore, some measures (Precision, Recall, and F1-Score) have also been used to evaluate performance and demonstrate that the proposed model has high reliability.
Translated Descriptions
Translated Description (Arabic)
في الآونة الأخيرة، نجحت نماذج التعلم الآلي القائمة على أنظمة الاستدلال الغامضة في حل المشكلات في التشخيص الطبي بشكل فعال وحظيت باهتمام كبير من الباحثين في جميع أنحاء العالم. على سبيل المثال، تم اقتراح نظام الاستدلال الضبابي (FIS)، ونظام الاستدلال الضبابي لمجمع الممداني مع تقليل القاعدة (M - CFIS - R)، ونظام الاستدلال الضبابي لمجمع الممداني مع الرسم البياني للمعرفة الضبابية (M - CFIS - FKG)، وأزواج الرسم البياني للمعرفة الضبابية (أزواج FKG). نجحت نماذج التعلم الآلي هذه في حل معظم مشاكل تشخيص المرض بناءً على مجموعات بيانات سيمتوم المعقدة مع بعض الخصائص مثل السعة ومدة الطور، ومعلومات الإدخال غير المؤكدة أو غير المكتملة. ومع ذلك، كشفت هذه النماذج عن قيود عند التعامل مع مشاكل صنع القرار أو تشخيص المرض في الحالات القصوى (حيث تكون مجموعات بيانات التدريب صغيرة جدًا أو مجموعات بيانات المدخلات كبيرة). للتغلب على هذا التحدي، تم اقتراح نموذج FKG - Extreme، بناءً على أزواج FKG جنبًا إلى جنب مع تقنيات التعلم Q. من أجل تعزيز التطبيق العملي للنموذج النظري FKG - Extreme، تم اقتراح نموذج لتشخيص علامة التهاب الكبد في هذه الورقة. تم بناء تطبيق محاكاة للنموذج المقترح، وتم تنفيذ النتائج التجريبية بناءً على مجموعة بيانات الكبد التي تم جمعها من مستودع التعلم الآلي UCI، مع نتائج من حيث الدقة أعلى بنسبة 13.3 ٪ من نموذج أزواج FKG. علاوة على ذلك، تم أيضًا استخدام بعض المقاييس (الدقة والاستدعاء و F1 - Score) لتقييم الأداء وإثبات أن النموذج المقترح يتمتع بموثوقية عالية.Translated Description (French)
Résumé Récemment, les modèles d'apprentissage automatique basés sur des systèmes d'inférence floue ont efficacement résolu des problèmes de diagnostic médical et ont reçu beaucoup d'attention de la part des chercheurs du monde entier. Par exemple, le système d'inférence floue (fis), le système d'inférence floue complexe de Mamdani avec réduction de règles (M-CFIS-R), le système d'inférence floue complexe de Mamdani avec graphique de connaissances floues (M-CFIS-FKG) et les paires de graphiques de connaissances floues (paires FKG) ont été proposés. Ces modèles d'apprentissage automatique ont résolu avec succès la plupart des problèmes de diagnostic de la maladie sur la base d'ensembles de données symtom complexes avec certaines caractéristiques telles que l'amplitude et le terme de phase, des informations d'entrée incertaines ou incomplètes. Cependant, ces modèles ont révélé des limites lorsqu'il s'agit de problèmes de prise de décision ou de diagnostic de maladie dans des cas extrêmes (lorsque les ensembles de données de formation sont trop petits ou que les ensembles de données d'entrée sont volumineux). Pour surmonter ce défi, le modèle FKG-Extreme, basé sur des paires FKG combinées à des techniques de Q-learning, a été proposé. Afin de promouvoir l'application pratique du modèle théorique FKG-Extreme, un modèle de diagnostic des signes de l'hépatite a été proposé dans cet article. Une application de simulation du modèle proposé a été construite et des résultats expérimentaux ont été réalisés sur la base de l'ensemble de données Liver collectées à partir du référentiel d'apprentissage automatique UCI, avec des résultats en termes de précision supérieurs de 13,3% au modèle FKG-Pairs. En outre, certaines mesures (précision, rappel et score F1) ont également été utilisées pour évaluer les performances et démontrer que le modèle proposé présente une grande fiabilité.Translated Description (Spanish)
Resumen Recientemente, los modelos de aprendizaje automático basados en sistemas de inferencia difusa han resuelto eficazmente los problemas en el diagnóstico médico y han recibido mucha atención de investigadores de todo el mundo. Por ejemplo, se han propuesto Fuzzy Inference System (FIS), Mamdani Complex Fuzzy Inference System with Rule Reduction (M-CFIS-R), Mamdani Complex Fuzzy Inference System with Fuzzy Knowledge Graph (M-CFIS-FKG) y Fuzzy Knowledge Graph Pairs (FKG-Pairs). Estos modelos de aprendizaje automático han resuelto con éxito la mayoría de los problemas de diagnóstico de enfermedades basados en conjuntos de datos de síntoma complejos con algunas características como amplitud y plazo de fase, información de entrada incierta o incompleta. Sin embargo, estos modelos han revelado limitaciones al tratar con problemas de toma de decisiones o diagnóstico de enfermedades en casos extremos (donde los conjuntos de datos de capacitación son demasiado pequeños o los conjuntos de datos de entrada son grandes). Para superar este desafío, se ha propuesto el modelo FKG-Extreme, basado en FKG-Pairs combinados con técnicas de Q-learning. Con el fin de promover la aplicación práctica del modelo teórico FKG-Extreme, en este trabajo se ha propuesto un modelo para el Diagnóstico de Signos de Hepatitis. Se ha construido una aplicación de simulación del modelo propuesto, y se han llevado a cabo resultados experimentales basados en el conjunto de datos hepáticos recopilados del repositorio de aprendizaje automático UCI, con resultados en términos de precisión un 13,3% más altos que el modelo FKG-Pairs. Además, algunas medidas (Precisión, Recall y F1-Score) también se han utilizado para evaluar el rendimiento y demostrar que el modelo propuesto tiene una alta fiabilidad.Files
latest.pdf.pdf
Files
(1.0 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:1259f252f626d541b5b49243bdd0b59f
|
1.0 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نموذج جديد مبني على الرسم البياني المعرفي الغامض في الحالات القصوى لتشخيص علامة التهاب الكبد
- Translated title (French)
- Un nouveau modèle basé sur des paires de graphiques de connaissances floues dans les cas extrêmes pour le diagnostic des signes de l'hépatite
- Translated title (Spanish)
- Un nuevo modelo basado en pares de gráficos de conocimiento difuso en casos extremos para el diagnóstico de signos de hepatitis
Identifiers
- Other
- https://openalex.org/W4386753266
- DOI
- 10.21203/rs.3.rs-3342261/v1