Resumen

La hepatitis es una enfermedad mortal. El manejo y diagnóstico de la hepatitis es costoso y requiere un alto nivel de experiencia humana, lo que plantea desafíos para el sistema de atención médica en países subdesarrollados y en desarrollo. Por lo tanto, el desarrollo de métodos automatizados para la predicción precisa de la hepatitis es inevitable. En este artículo, desarrollamos un sistema de diagnóstico que hibrida un modelo de máquina de vectores de soporte (SVM) lineal con un modelo de refuerzo adaptativo (AdaBoost). Explotamos la dispersión en el SVM lineal que es causada por la regularización. El SVM lineal disperso es capaz de eliminar características redundantes o irrelevantes del espacio de características. Después de filtrar las características a través del SVM lineal disperso, la salida del SVM se aplica al modelo de conjunto AdaBoost que se utiliza para fines de clasificación. Se realizan dos tipos de experimentos numéricos en las características clínicas de la hepatitis recopiladas del repositorio de aprendizaje automático de UCI. En el primer experimento, solo se utiliza el modelo convencional de AdaBoost, mientras que en el segundo experimento, se aplica un vector de características al SVM lineal disperso antes de su aplicación al modelo de AdaBoost. Los resultados de la simulación demuestran que la fuerza de un modelo convencional de AdaBoost se mejora en un 6.39% con el método propuesto, y su complejidad temporal también se reduce. Además, el método propuesto muestra un mejor rendimiento que muchos métodos desarrollados previamente para la predicción de la hepatitis.

• Materias:Red 5G Internet de las cosas Seguridad de la información Tecnologías de comunicación
• Subjects:5G Network Internet of things Information security Communication technologies
• Palabras claves:Hepatitis; Diagnóstico; Métodos automatizados; Modelo SVM; Modelo AdaBoost; Espacio de características
• Keywords:Hepatitis disease; Diagnosis; Automated methods; SVM model; AdaBoost model; Feature space