人工学习方法对贫血类型进行医学诊断的研究

工程科学与技术，国际期刊24（2021）50使用人工学习方法Tuba Karagül Yıldıza，Nilüfer Yurtaya，BirgülÖneba计算机和信息科学，Sakarya大学，Sakarya 54187，土耳其bDuzce大学医学院，Düzce 81620，土耳其阿提奇莱因福奥文章历史记录：收到2020年2020年11月23日修订2020年12月1日接受2021年1月7日在线提供保留字：贫血人工神经网络医学诊断Naive Bayes支持向量机A B S T R A C T世界上最常见的血液疾病是贫血，世界卫生组织将其定义为红细胞计数或携氧能力不足的情况。作为一种疾病和症状，这种情况影响生活质量贫血类型的早期和正确诊断对于患者治疗至关重要病人数量和医院优先事项的增加，以及难以联系到医疗专家，都可能妨碍这种诊断。目前的工作提出了一个系统，将使一般临床实践条件下的贫血的认识。对于这个系统，使用四种不同的人工学习方法构造模型。人工神经网络，支持向量机，朴素贝叶斯，和Encriminate决策树方法被用作分类算法。这些模型使用1663个样本的数据集进行评估，并使用25个属性，包括血象数据和一般信息，如年龄，性别，慢性疾病和症状，以诊断12种不同的贫血类型。数据是通过检查土耳其一所大学医院的病人档案收集的。除了医生使用的所有数据外，该模型还利用了通过特定特征选择技术创建的八个不同数据该界面旨在为医学顾问和医学生提供决策支持。使用四种不同的算法对数据进行分类，并获得每个算法可接受的成功率。每个模型都使用分类误差、曲线下面积、精度、召回率和F分数指标以及准确度值进行验证。使用Bagged决策树实现的准确率最高（85.6%），其次是Boosted树（83.0%）和人工神经网络（79.6%）。©2020 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍贫 血 是 世 界 上 最 常 见 的 血 液 病 [1] 。 根 据 世 界 卫 生 组 织（WHO），贫血是一种红细胞数量以及因此携氧能力不足以满足身体生理需求的状况贫血也被定义为红细胞质量或血液血红蛋白和红细胞压积的浓度降低正常的血红蛋白和红细胞压积值因年龄和性别而异。如果血红蛋白和红细胞压积值低于年龄和性别的正常值阈值，则存在贫血。Kiassebaum等人进行的这项研究利用2010年世卫组织全球疾病负担研究的数据和资源，他们计算出全球贫血患病率为32.9%。贫血症最常见于五岁以下的儿童*通讯作者。电子邮件地址：tkaragul@sakarya.edu.tr（T. Karagül Yıldız），nyurtay@sakarya.edu.tr（N. Yurtay），birgulonec@duzce.edu.tr（B. Öne）。由Karabuk大学负责进行同行审查老年人和妇女。最常见的贫血类型是缺铁性贫血[3]。由于贫血对生活质量的影响很大，它既是一种疾病，也是伴随许多严重疾病的症状，因此在许多情况下，它的治疗是必不可少的，正确的诊断是治疗的第一步本研究寻求一种多类探测解决方案，使用人工学习架构。目的是开发一种系统，该系统将能够在一般临床实践条件下识别贫血，因为患者数量和医院优先事项的增加以及难以联系到医学专家可能会阻碍这种诊断。在初级卫生保健服务中应用这一系统，同时进行诊断贫血症所需的测试，将有助于在这些保健中心工作的基于该系统，可以更快、更准确地识别需要转诊治疗土耳其一个省最常见的12种贫血类型通过四种不同的机器学习方法进行分类，其中袋装决策树方法的成功率最高由于没有改变数据内容和质量的规定，本研究使用了完整的原始数据集，https://doi.org/10.1016/j.jestch.2020.12.0032215-0986/©2020 Karabuk University. 出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchT. Karagül Yıldız、Nilüfer Yurtay和Birgül Önehön工程科学与技术，国际期刊24（2021）5051没有进行数字干预。此外，通过使用特征选择约简属性，应用相同的方法，并对结果进行比较。真实患者数据的使用显著提高了本研究的相关性该文件的组织如下：第一节给出了诊断贫血的问题的概述第二节是对相关文献的回顾第三节描述了贫血的数据在这项研究中使用的定义贫血，并概述了在其诊断方法。随后，在研究中使用的知名的人工学习方法的总结和建议的人工学习贫血检测系统的架构进行了概述。第四节给出了本研究中开发的模型的结果和第五节总结和讨论了研究结果，并与以往的研究结果进行了比较。最后，在第六节中，提出了这项工作的动机2. 相关作品计算机辅助决策和分析构成了医学领域的一个广泛领域。在本研究中，生成一个系统，以帮助医生诊断12种不同类型的贫血。本文回顾了以往关于贫血类型分类的研究，并对采用类似方法但数据不同的研究进行了分析使用混合模型进行的研究[4，5]也包括在内。计算机辅助贫血诊断的早期研究之一是Beck等人， 他为医学教育研究设计了一个计算机辅助系统。他们于1988年发表了PlanAlyzer用于心脏病的诊断[6]，并于1989年发表了贫血的诊断[7]。该系统旨在阐明和批评学生在诊断一种广泛的医学疾病的方法。在1993年发表的一项研究中，Lyon等人报告说，在对该计划进行测试和评估后，Dartmouth医学院心脏病学和血液学部门对贫血和胸痛的诊断[8]。1960年，Lipkin使用数字计算机将血液病的数据特征与医院数据进行了比较。为此，选择了49名患者和20种疾病，并将医院数据链接到计算机程序。然后以书面形式打印出医院病例的鉴别诊断[9]。1976年，Engle等人引入了一种名为HEME的计算机程序，该程序为医疗顾问提供了40种血液病的诊断分析，并使用贝叶斯方法设计为基于规则的系统[10]。开发的各种算法，以帮助医生在缺铁性贫血的诊断已成功执行[11Sanap等人设计了一个系统，用于分类贫血的严重程度，使用全血细胞计数报告和C4.5决策树和支持向量机算法与WEKA数据挖掘工具。包括年龄、白细胞计数（WBC）、血红蛋白（HGB）、红细胞计数（RBC）、红细胞压积（HCT）、平均细胞体积（MCV）、平均细胞血红蛋白（MCH）、平均细胞血红蛋白浓度（MCHC）、红细胞分布宽度（RDW）和血小板计数（PLT）等10个数值属性以及4种贫血类型：正常红细胞（慢性疾病贫血）、小红细胞（缺铁和地中海贫血）、大红细胞（维生素B12和叶酸缺乏）和小红细胞（肾性贫血）。C4.5决策树算法的成功率为99.42%，超过了支持向量机的成功率88.13%[17]。在Amin和Habib进行的研究中，对WBC、RBC 、 HGB 、 HCT 、 MCV 、 MCHC 、 PLT 、 中 性 粒 细 胞（NEUT）、淋巴细胞（LYMP）、单核细胞（单核细胞）、单核细胞（巨噬细胞）和单核细胞（巨噬细胞）的全血细胞计数参数进行了检测。细胞（MONO）、嗜酸性粒细胞（EO）和嗜碱性粒细胞（BO）以及年龄的解释值用作数据输入。分类包括慢性贫血、嗜酸性粒细胞增多、小细胞低色素性贫血、正常细胞性贫血、中性粒细胞白细胞增多、中性粒细胞、未知结果和高红细胞沉降率（ESR）。他们使用J48决策树，多层感知器和朴素贝叶斯作为分类器，分别实现了97.16%，86.55%和70.28%的成功率[18]。缺铁性贫血和地中海贫血是两种容易混淆的小细胞性贫血[19]。在一篇研究文章中，使用由200例β-地中海贫血病例、65例α-地中海贫血病例、170例缺铁性贫血病例和100例贫血病例组成的训练集，45例同时患有缺铁性贫血和β地中海贫血[20]。Jamei和Talarlanti开发了一种基于模式输入选择的人工神经网络（ANN）模型，用于缺铁性贫血和b-地中海贫血性状判别。这种方法包括人工神经网络的决策能力与人类专家的决策能力相结合。利用全血细胞计数结果，他们设计了一个系数规则库，并根据计算出的相似度确定多层感知器神经网络的输入。当与使用ANFIS、ANN、MLP、SVM、RBF、PNN和KNN的不同作者报告的性能进行比较时，他们的方法被证明达到了99.5%的最高准确率[21]。2015年，Kishore等人发表了一项研究，使用年龄，性别，HGB，MCV，MCH和HCT值作为输入，缺铁和维生素B12缺乏作为输出。他们通过将ID3和非线程ID3决策树算法作为方法进行研究，开发了一种线程ID3方法。使用480个数据项，他们使用线程和非线程ID3和Gini算法测试了系统，并报告说他们发现的方法是可用的[22]。人工神经网络可以用于各种各样的领域。Yavuz等人进行了一项妇女缺铁性贫血诊断研究分类使用人工神经网络和人工免疫系统（AIS）进行了比较，使用KNN和回归树基尼算法。使用AIS训练的基于Gini的决策树方法的分类性能比KNN方法和ANN方法更成功[16]。Shaik和Subashini提出了一种贫血诊断的模糊逻辑方法。 他们使用HGB、HCT、MCV、MCHC、WBC、网织红细胞、总铁结合力（TIBC）、血清铁和超分叶白细胞（HSWC）实验室检查结果作为输入参数。作为输出，他们使用了六种贫血类型，包括再生障碍性贫血、铁粒幼细胞性贫血、巨幼细胞性贫血、慢性贫血、骨髓增生异常性贫血和缺铁性贫血[23]。Dalvi和Vernekar进行了一项研究，以确定最合适的红细胞分类方法用于贫血诊断。他们使用了五种集成学习方 法 （ AdaBoost ， bagging ， stacking ， voting 和 Bayesianboosting ）和四种分类器（ k-最近邻，朴素贝叶斯，决策树和ANN）[24]。Bel- ginova等人提出了一种基于规则的缺铁性贫血诊断方法。他们提出了一个决策支持系统的专家医疗顾问，其中包括病人的数据（例如，身份、社会经济状况、病史、主诉或感觉、医学指标和疾病的统计信息）。使用这些数据使顾问能够对疾病做出更准确的决定[25]。Dimauro等人进行了一项关于使用能够分析结膜区域图像的非侵入性设备预测患者血红蛋白值的研究。他们在113个个体上测试了这种KNN分类器，并获得了良好的结果[26]。全血细胞计数（CBC）测试用于识别贫血和其他血液系统疾病。然而，缺铁性贫血和地中海贫血的诊断取决于80 fl oz（液体盎司）的平均细胞体积（平均红细胞体积-MCV），这是一个不一致和模糊的特征。在2005年进行的一项研究T. Karagül Yıldız、Nilüfer Yurtay和Birgül Önehön工程科学与技术，国际期刊24（2021）5052提出了一种基于规则的软件方法中的分层软件计算技术来解决这一问题他们在50个样本上达到了96%的准确率，并报告说，表1相关文献综述。数据方法疾病/分类参考这种方法比传统方法更有效[27]。Allahverdi等人发表了一项研究，MCV、MCH、MCHC、HGB、RBC11. how do you want？AZARKISH等人，2012年神经模糊网络方法来确定子兜帽贫血根据他们的统计分析，他们发现系统中的误差为-0.0018MPE（平均百分比误差），HGB、MCV、SI、TIBC、铁蛋白FFN、CFN、DDN、TDN、PNN、LVQIDA 12. 伊尔马兹，博兹库尔2011˘0.2090 MAE（平均绝对误差）、0.0511 MAPE（平均绝对百分比误 差 ） 、 0.2743 RMSE （ 均 方 根误 差 ） 和 0.9957 R2 （ 回 归 系数）。他们表明，预测的贫血症非常接近测量值，并报告该系统是实用和可用的[28]。Maity等人设计并血清铁，血清铁结合力，铁蛋白MCV，RBC，HGB，HCT、MCH、MCHT决策树IDA15. 道根，TÜRKOGZELU，200816.第16章.YAVUZ ETTrees，AIS AL，2014开发了一种应用程序，用于创建自动贫血诊断报告，以使用计算机视觉方法获取和管理患者血液改进的图像处理算法和数据挖掘方法可以识别异常红细胞，以分析病人的医疗信息。顾问C4.5决策树分类器以 98.1% 的 准 确 率 和 99.6% 的 精 度 对 图 像 样 本 进 行 分 类 [29] 。Setsirichok等人，在他们的一篇文章中，提出了通过C4.5决策树、朴素贝叶斯分类器和多层传感器对地中海贫血扫描的血液特性进行分类所选择的CBC特性是血红蛋白浓度（HBG）和平均红细胞体积（MCV）。类的平均精度AGE、WBC、HGB、RBC、HCT、MCV、MCH、MCHC、RDW、PLTWBC、RBC、HGV、HCT、MCV、MCHC、PLT、NEUT、LYMPH、MONO、EO、BO、AGE决策树，SWM决策树，MLP，朴素贝叶斯正常细胞性、小细胞性、大细胞性、肾性贫血慢性贫血、嗜酸性粒细胞性、小细胞性贫血、正常细胞性贫血、中性粒细胞、未知结果、ESR17. SANAP等201118. 阿明，哈比卜，2015年当温度为100 ℃时，CBC ANNIDA，BETA地中海贫血21. 杰米·ETAL，2016应用贝叶斯分类器和多层传感器。这些结果表明，朴素贝叶斯分类器或多层传感器与CBC和血红蛋白的组合是非常合适的年龄、性别、HGB、MCV、MCH、HCT决策树（ID3，GINI）IDA，维生素B12 缺 乏 性 贫血22. KISHORE等人，2015年用于地中海贫血的自动筛查[30]。2019年，Meena等人开发了一个使用数据挖掘方法的儿童贫血在他们提出的模型中，他们使用了决策树和关联规则方法，并获得了成功的结果[31]。Balaji等人检测并诊断了两种重要的心脏病，扩张型心肌病（DCM）和肥厚型心肌病（HCM）。红细胞（RBC）活性良好，装袋，堆叠，投票和KNN，NAIVEBAYES，决策树，安24.第二十四章达尔维，Vernecar，2016心肌病（HCM），使用反向传播神经网络（BPNN）[32]。Shen等人进行了一项研究，红细胞计数决策树，异常红细胞29. MAITY等人，2012年支持向量机方法中参数整定方案的果蝇优化算法他们将这种方法用于乳腺癌、皮马印第安人糖尿病、帕金森HGB、MCV决策树、朴素贝叶斯、多层传感器30.第三十三章SetSIRICHOK等人，2012年他说，他取得了成功[33]。2017年，Wang等人开发了一种基于混沌蛾焰优化策略的方法，用于Kernel极端学习。机 此方法执行特征选择和参数数据人口健康调查决策树、关联规则儿童贫血31. MEENA等，2019优化同步他们成功应用超声心动图视频32.我的超次元帝国巴拉吉ETAL，2016帕金森病和乳腺癌数据集的方法在2020年，Wang和Chen将SVM方法与鲸鱼优化算法（WOA）一起使用。在此基础上，提出了一种基于混沌和多温的SVM参数优化算法乳腺癌，PIMA印度糖尿病，帕金森氏病，甲状腺SVM乳腺癌， PIMA印度糖尿病，帕金森氏甲状腺33. ShenETAL，2016选择和特征。他们将他们的方法应用于乳腺癌、糖尿病和鳞状上皮癌医学数据集，并报告说他们取得了成功的结果[35]。乳腺癌，帕金森氏病KERNEL EXTEME学习机乳腺癌，帕金森34. WANG等，2017对使用类似数据集的研究进行的检查显示，他们专注于诊断一种或多种一般类型的贫血，如小红细胞、正常红细胞和大红细胞贫血[17，18]或地中海贫血和缺铁性贫血[19，20，21]。表1：乳腺癌，糖尿病，糖尿病患者地方SVM乳腺癌，糖尿病，ES支持向量机、MLP算法的本土识别35. 王，陈，202036. VERMA等人，2020年marizes参考文献检查。我们的研究诊断了12种不同类型的贫血，当地居民地方SVM，KNN，随机森林，MLP学生出生地识别37. Verma ETAL，2020年WHO国际疾病分类（ICD）编码。此外，本发明还提供了一种方法，所使用的属性大多仅限于少数血液这项研究使用了25种不同的属性，白细胞图像B P N N 、CNN白细胞分类38.Bevilacqua等，2019医学顾问在诊断这些疾病时使用。此外，本研究中使用的数据完全是原始的，包括年龄、性别、慢性疾病和症状以及血液参数。乳腺断层合成图像安，非-神经学习者乳腺癌诊断39.Bevilacqua等，2019T. Karagül Yıldız、Nilüfer Yurtay和Birgül Önehön工程科学与技术，国际期刊24（2021）5053这些研究中使用医疗数据的方法包括ANN，SVM和基于决策树的方法以及朴素贝叶斯，KNN和基于规则的方法。SVM，ANN和决策树是成功的方法，给出了良好的结果，也用于非医学研究。例如，Verma等人比较了SVM和MLP方法在确定学生的原籍地方面。结果表明，这两种模型都取得了良好的效果[36]。在他们对同一主题的其他研究中，Verma等人除了SVM和MLP之外还使用了随机森林和KNN方法。他们指出，随机森林方法给出了最成功的结果[37]。因此，文献表明，特别是人工神经网络，支持向量机和基于决策树的方法是最成功的。因此，认为在本研究中比较这些方法是适当的。基于深度学习的方法也用于医疗决策问题。例如，在2017年，Bevilac-qua等人使用基于特征的反向传播NN和基于深度学习的CNN方法对白细胞进行分类[38]。在2019年进行的另一项研究中，他们还开发了一种使用断层合成乳腺图像进行乳腺癌诊断的深度学习方法。他们比较了优化的ANN和非神经学习方法，并使用CNN进行特征提取[39]。由于我们的数据不包含图像，并且包含的数据项数量不足，因此本研究中未使用然而，在不久的将来，我们计划通过增加数据集的大小来进行基于深度学习的研究。3. 材料和方法在本研究中，目的是开发一个系统，使一般临床实践条件下的贫血的识别。换句话说，我们的目标是通过转移诊断贫血类型的过程，将经验丰富的医疗顾问的决策过程教授给计算机程序，贫血是最常见的血液病形式。为此，我们输入了患者的数据，血液科门诊部的贫血预诊断在学习阶段采用最先进的人工学习方法。在学习过程之后，我们使用新数据测试了该系统，并研究了它以与经验丰富的医疗顾问相同的方式做出决策的能力。在这个阶段，我们使用ROC分析方法。本研究的主要成果是一位经验丰富的医疗顾问所使用的决策方法的转移。另一个成果是为医生和医科学生提供决策支持。此外，该系统还可以进行患者随访程序。为了确定贫血的存在，首先，由专家检查HGB值，如图1所示。在下一步中，检查MCV值。如果MCV是80，那么贫血类型是小细胞的如果MCV在80和100之间，那么贫血类型是正常红细胞的。如果MCV大于100，则贫血类型为巨红细胞性。在第一阶段的鉴定后，专家可能需要进一步的调查和先进的测试，以明确诊断。贫血的详细类型和/或原因如图所示。1.一、为了让计算机像专家医疗顾问一样诊断贫血，需要真实的患者数据和有经验的医疗专家的建议。这位专家提供了诊断贫血所需的特征和方法的信息。此外，所需数据只能通过伦理委员会的批准才能获得。一旦获得伦理批准，数据将从医院数据库传输到程序界面，如图所示。 二、该界面基于经验丰富的医疗专家的意见因此，如图2所示，来自接口的数据由分类器处理，并解释结果。由于目的是以与有经验的医学专家相同的方式做出决定，因此要注意不要对数据进行任何质的改变。所提出的方法的结构可以在图中看到。3.第三章。在使用程序接口获得数据之后，为分类过程开发了四个基本模型：Fig. 1. 根据红细胞形态对贫血进行分类[40]。T. Karagül Yıldız、Nilüfer Yurtay和Birgül Önehön工程科学与技术，国际期刊24（2021）5054图二. 用于提供临床数据库数据的程序界面。向量机（SVM）、决策树（DT）、人工神经网络（ANN）和朴素贝叶斯。选择这些模型是因为它们是最先进的分类方法，预计会得到有希望的结果。最后，记录开发的模型并在新数据上进行测试，并使用受试者工作特征（ROC）分析进行性能评估[41]。此外，除了准确度值之外，还使用分类错误、AUC、精确度、召回率和F分数度量来验证每个模型3.1. 数据集本研究中使用的数据是从Düzce大学研究和应用医院获得的实际患者数据，图三. 目前工作的流程图。医院伦理委员会的使命。根据土耳其保护个人数据的法律，必须告知道德委员会我们希望使用的数据类型因此，我们咨询了一位经验丰富的医学专家，并确定了她用于诊断贫血类型的属性。数据集中使用的所有属性如表2所示。除了表2中所示的属性之外，原始数据集中还有其他属性，这些属性使我们能够组织数据。档案编号是用于在医院记录中识别患者的唯一属性从病人的入院号其他信息包括未作为本研究属性纳入的患者病史我们的数据只包含30个属性。如上所述，其中四个没有使用。诸如患者年龄、性别、症状和慢性疾病的存在等信息血液分析中的胆红素值用于评估肝脏和胆囊功能。C反应蛋白（CRP）提供有关体内炎症存在的信息血液中的铁值用于评估所有类型的贫血、缺铁和铁中毒。铁蛋白值用于诊断缺铁性贫血、慢性病贫血和地中海贫血，对于监测铁负荷治疗也很重要叶酸是指血液中的叶酸值，用于评估巨幼细胞和肉眼可见的贫血，以及用于监测叶酸缺乏性贫血的治疗。血细胞比容（HCT）显示血液中存在血红蛋白（HGB）显示血液中存在的血红蛋白总量，是全血细胞计数参数研究中指示贫血的第一个值。血液中的肌酐值用于评价肾功能。平均细胞血红蛋白（MCH）显示红细胞中血红蛋白的总量。平均细胞血红蛋白浓度（MCHC）是红细胞中血红蛋白浓度的百分比。平均红细胞体积（MCV）是携带氧气的红细胞的平均大小。NEUT是血液中中性粒细胞的数量，PLT是血小板的数量，其功能是使血液凝结。红细胞计数（RBC）是血液中存在的红细胞数量，红细胞分布宽度（RDW）显示血液中红细胞的分布宽度。总铁结合力（TIBC）和游离铁结合力（UIBC）也是诊断贫血类型的重要参数。维生素B12是造血和正常神经功能的必需维生素。在低维生素B12的情况下，可以考虑维生素B12缺乏白细胞计数（WBC）是血液中白细胞这些作为身体数据集中有1663个数据项的分布根据诊断的这些数据在表3中给出。贫血相关疾病的分布是不规则和不平衡的。在我们的数据集中有1109名女性和554名男性患者。众所周知，妇女贫血的发病率很高，这些数据证实了这一情况。缺铁性贫血占数据集的21%，是该地区最常见的贫血类型，而最不常见的是地中海贫血。然而，应记住，为了获得这些数据用于我们的研究，ICD代码限于D50和D64.9之间，属性限于30个不同的特征。因此，诊断贫血相关疾病所需的属性是根据经验丰富的医学专家的建议选择的。专家。本研究在土耳其黑海西部地区的Düzce省进行这里列出的贫血类型是12个最T. Karagül Yıldız、Nilüfer Yurtay和Birgül Önehön工程科学与技术，国际期刊24（2021）5055表2数据集中的属性列表Creatum数字0.2 8 0.9MCH（平均细胞血红蛋白）数值13.9 45.2 27.4MCHC（平均细胞血红蛋白浓度）数值25.6 38.2 33.1MCV（平均细胞体积）数值49 126.6 82.7NEUT（中性粒细胞计数）数值0 47.8 3.9PLT（血小板计数）数值1 1239 260.7RBC（红细胞计数）数值1.2 45.2 4.3RDW（红细胞分布宽度）数值11.2 38.2 17.2T.胆红素（总胆红素）数值-0.02 5.7 0.7TIBC（总铁结合能力）数值104 697 353.8UIBC（未结合铁结合能力）数值-9 676 273.1维生素B-12数值13.1 2000 512.4WBC（白细胞计数）数值0.7 431.3 7.6诊断多项式表3数据集中诊断的代码和分布根据WHO对贫血的定义[2]和建议，血液学实验室指南的修订[44]出版ICD-10代码诊断计数%D64贫血1237.39–非贫血18411.06D50缺铁性贫血35121.10D50-D52缺铁性贫血18711.24D50-D51铁和维生素。B12缺乏性贫血1649.86D52叶酸缺乏性贫血23414.07D51-D52叶酸和维生素。B12缺乏性贫血553.30D59溶血性贫血422.52D63慢性病17010.22D56地中海贫血804.81D57地中海贫血性状231.38D51维生素B12缺乏性贫血503.006全省常见的贫血类型。由于数据来自医院，数据集中的所有患者都至少 有 一 种 血 液 疾 病 。 The ‘‘non-anemic” patient group did notconsist 由于他们患有贫血组以外的血液学疾病，因此使用术语“非贫血”被认为是适当的本研究使用了已申请到Düzce大学研究和应用医院血液学门诊的患者数据，其贫血和相关疾病（ICD代码D50.0 -D64.9）被输入为诊断或预诊断。患者资料包括：年龄、性别、慢性病、症状、CRP（C反应蛋白）、D。胆红素（直接胆红素）、铁、铁蛋白、叶酸、HCT（红细胞压积）、HGB（血红蛋白）、I.间接胆红素、肌酐、平均细胞血红蛋白、平均细胞血红蛋白浓度、平均细胞体积、中性粒细胞计数、血小板计数、红细胞计数、红细胞分布宽度、T.胆红素（总胆红素）、TIBC（总铁结合能力）、UIBC（未结合铁结合能力）、维生素B-12和WBC（白细胞计数）。在贫血相关疾病的数据中，血象必须首先评估。血象的解释土耳其血液学学会（TSH）于2014年10月。根据这些建议，当检查患者的数据时，首先考虑血红蛋白值，男性患者的HGB 13 g/dL和女性患者的HGB 12 g/dL被描述为贫血。随后，根据MCV值将患者分为小红细胞、正常红细胞或大红细胞。铁蛋白值与小红细胞性贫血（MCV 80），然后质疑，铁缺乏或地中海贫血的诊断相应地指出。在未怀疑铁缺乏的患者中（根据TSH贫血指南，铁蛋白大于15），根据铁结合能力评估铁本研究旨在对缺铁性贫血和慢性病性贫血进行鉴别诊断.在每例贫血患者中，还必须评估维生素B12和叶酸值，并确定为维生素B12或叶酸缺乏性贫血伴其他贫血类型（缺铁、慢性病贫血、地中海贫血等）。或特别是大红细胞定义的贫血。此外，还必须评估贫血患者的其他系列（白细胞和血小板），如果这些不正常（高值或低值），则必须安排外周血涂片。根据世界卫生组织的标准，任何可能需要紧急输血的严重贫血患者的症状和发现都应立即引起注意。此外，如果有贫血病因的重要证据，对每种类型保持警惕至关重要贫血的类型和诊断标准：贫血是世界上以及土耳其最常见的血液病[1]。根据WHO，贫血是一种红细胞数量（以及相应的携氧能力）不足以满足身体生理需求的疾病[2]。贫血也被定义为红细胞质量或血液血红蛋白和血细胞比容浓度的降低。正常的血红蛋白和红细胞压积值因年龄和性别而异。当血红蛋白和红细胞压积值低于年龄和性别的正常值下限时属性名称类型MinMaxAvg年龄数字2010955.4性数字010.6慢性病数字010.6症状数字010.5CRP（C反应蛋白）数字027.61.2D.胆红素（直接胆红素）数字011.30.2铁数字437777.8铁蛋白数字02338.4166叶酸数字199.611.7HCT（红细胞压积）数字1164.535.4HGB（血红蛋白）数字122.911.6I.胆红素（间接胆红素）数字-0.15.010.4T. Karagül Yıldız、Nilüfer Yurtay和Birgül Önehön工程科学与技术，国际期刊24（2021）5056贫血的主要原因包括红细胞的形态（结构）和/或生理功能的退化贫血的发生有四个主要原因：1. 红细胞生成障碍（骨髓红细胞生成不足）a. 骨髓功能障碍、骨髓衰竭（例如，再生障碍性贫血和感染、药物或癌症相关的骨髓衰竭）b. 红细胞生成素合成受损，其中90%从肾脏释放并在红细胞成熟中起非常重要的作用（例如，慢性肾衰竭、甲状腺功能减退和风湿性疾病）2. 红细胞成熟的结构和功能损害（例如，铁缺乏、血红蛋白结构和功能障碍、铅中毒、维生素B12缺乏和叶酸缺乏）a. 红细胞早期破坏（溶血性贫血）b. 红细胞破坏的原因（例如，红细胞膜疾病、红细胞酶缺乏和血红蛋白病）3. 非红细胞原因（例如，免疫和非免疫原因）4. 失血（失血）贫血的常见临床指征是虚弱、疲劳和苍白。在白血病和其他一些血液系统疾病中可以观察到骨和关节疼痛、淋巴结肿大和肝脾肿大。可能会出现心悸、头痛、频繁感染、指甲受损、食欲减退、味觉减退、舌痛、口腔溃疡以及想吃土壤、水泥或冰等非食物物质（异食癖）等症状长期贫血患者可以更舒适地耐受贫血症状，可能不会有明显的主诉[2，40，45，46]。贫血患者首先需要进行的实验室检查是全血细胞计数和红细胞指数，包括MCV（平均红细胞体积）、MCH（平均红细胞血红蛋白）、MCHC（平均红细胞血红蛋白浓度）和RDW（红细胞分布宽度）。通过病史、体格检查和检查结果，可以初步推测贫血的原因。之后，可以订购额外的测试以进行明确的诊断[45]。贫血的红细胞形态学分类示于图1 .一、生产障碍和低增殖性贫血的特征在于低网织红细胞生产指数和红细胞结构几乎没有变化。促红细胞生成素冲动或缺铁可导致骨髓结构中的早熟干细胞池促红细胞生成素是一种糖蛋白激素，作为红细胞的细胞因子（一组使细胞相互交流的蛋白质）。它在肾脏中产生，是负责控制红细胞生成的激素[46]。在成熟障碍中，低网织红细胞生成指数伴随着大红细胞或小红细胞结构。红细胞前体细胞成熟顺序受损可能是由于叶酸和维生素B12缺乏、化疗或骨髓增生异常或白血病前期状况。由于这些都与核成熟障碍有关，患者可能有巨红细胞性贫血、巨幼细胞骨髓结构和不同程度的感染性红细胞生成。与溶血相关的红细胞破坏增加的患者表现出超过正常平衡网织红细胞指数水平的三倍的增加，并且红细胞结构可以或可以不分化。分类贫血的第一步对诊断和治疗都很重要。疾病的治疗也会根据功能障碍而有所不同[43，47]。在世界卫生组织疾病分类指南中，缺铁性贫血与维生素B12缺乏性贫血和叶酸缺乏性贫血一起被列入饮食性贫血组（ICD代码D50-53）。地中海贫血、地中海贫血性状、遗传性和获得性溶血性贫血（由于酶紊乱）属于溶血性贫血组（ICD编码D55-59）。再生障碍性贫血和其他贫血（ICD编码D 60 -64）包括再生障碍性贫血、慢性病贫血和其他贫血[48]。然而，当根据红细胞形态分类时，缺铁性贫血包括在小细胞性贫血中，维生素B12和叶酸缺乏性贫血包括在大细胞性贫血中。此外，这些疾病一起出现的情况在临床上很普遍。根据图1中给出的分类，缺铁性贫血、地中海贫血和地中海贫血性状包括在小细胞性贫血中。虽然一些慢性病贫血是小细胞性的，但它们中的大多数都包括在正常细胞性贫血中。溶血性贫血也包括在正常红细胞性贫血中。维生素B12缺乏和叶酸缺乏性贫血包括在大红细胞性贫血中。缺铁性贫血是最常见的贫血类型它是血红蛋白中心的含蛋白质的铁结构，允许红细胞将氧气从肺部运输到组织。当身体铁丢失时，这种功能不能发生，因此，可以看到各种症状，它在妇女和儿童中最常见。MCV、铁、铁蛋白和铁结合力的测定在诊断中很重要此外，还应排除内出血的可能性缺铁性贫血可以用铁补充剂和含铁丰富的食物来治疗[49，50]。维生素B12在红细胞生成和神经系统功能当体内维生素B12不足时，红细胞的健康生产和分裂结果，红细胞从骨髓到血液的传递出现问题，引起各种身体症状。HGB、MCV和维生素B12值是诊断的重要指标维生素B12缺乏症可以通过充足的营养和维生素B12补充剂来治疗[49，51]。叶酸是一种存在于水果、绿叶蔬菜和肉类中的物质。当它的摄入量不足时，或它没有被身体充分吸收时，就会出现缺乏症。血清叶酸水平是诊断本病的重要指标。叶酸缺乏症可以通过富含叶酸的饮食和补充剂来治疗[51，52]。慢性病贫血是一种伴随慢性疾病的贫血，如癌症和糖尿病，心脏，肾脏和风湿性疾病，感染和炎症，特别是在老年人中。低水平的血清铁和总铁结合力是诊断的重要指标。对于这种类型的贫血的治疗，必须首先治疗基础疾病[53]。地中海贫血是一种血红蛋白链很少或不能产生的疾病。这是一种遗传转化疾病，因此，杂合子成为携带者，纯合子患病。HGB、HCT、红细胞计数、MCV、MCH、MCHC指数是诊断的重要指标。输血是在病人的治疗中进行的，尽管通常不是在携带者的情况下。地中海贫血患者必须在其整个生命中进行观察[53]。溶血性贫血可以定义为红细胞被破坏的速度比它们产生的速度快的一种情况。原因可能是遗传或后天的。虽然病人T. Karagül Yıldız、Nilüfer Yurtay和Birgül Önehön工程科学与技术，国际期刊24（2021）5057×1吨e如全血细胞计数和外周血涂片、血红蛋白电泳和骨髓检查。药物治疗、手术干预、输血、骨髓和干细胞移植均可用于治疗[49，53]。在我们的研究中，诊断为贫血的患者也被诊断为上述贫血以外的在WHO的定义中，ICD 10编码D64被包括为全血细胞计数，特别是HGB，HCT和RBC值用于诊断贫血。由于它是一种显著影响生活质量的疾病，因此识别和治疗贫血类型非常重要[43]。最终，使用表1中包含的25个属性进行分类。由于数据分别取自患者文件，因此不包括空值。在预处理中仅执行数据的数字化和标准化。3.2. 分类器在本研究中，通过创建一个完全原始的数据集来评估知名的分类方法的性能作为文献中广泛使用的方法，ANN，支持向量机，决策树和朴素贝叶斯被选为分类器。这些都是最先进的分类方法，给出了有希望的结果。此外，已经发现这些方法在与医学数据一起使用时产生成功的结果。应用了这些方法，并对结果进行了比较.分类过程使用MATLAB® R2020 a版本执行。3.2.1. 人工神经网络这项研究的目的是使计算机能够以与医生相同的方式执行诊断程序。人工神经网络是一种最先进的方法，大致模拟了人类大脑的学习过程，被认为是本研究范围内的合适方法。就像人类大脑通过分析样本来学习一样，人工神经网络也从样本中学习人工神经网络由相互连接的细胞（“神经元”）组成，就在ANN模型中，每个神经元必须有输入，权重，加法和激活函数以及输出[54]。每个输入都有一个影响神经元激活水平的权重输出值在传递函数中反映为输入信号乘以权重的总和。人工神经元的学习能力是通过调节所选学习算法的权重来确定的[55]。在ANN方法中，首先创建训练集，并将输入和输出都提供给网络。然后将网络产生的输出与实际输出进行比较。在进行误差计算之后，更新权重，并且该过程迭代直到达到最低误差率并且训练过程完成。在下一步骤中，在训练过程中创建的模型再次使用优选地由不同数据组成的测试集运行，并且测试网络的学习。一个两层前馈神经网络模型用于这项研究。所提出的神经网络的基本结构如图所示。 四、数据库中有1663个样本和25个特征，在上一节中介绍因此，ANN也由25个神经元组成。作为输出，每个样本属于12个不同类别中的一个。此外，神经网络模型有10个隐藏层，每层由50个神经元组成。选择S形传递函数作为激活函数。等式（1）显示了神经网络fx11为这项研究设计的神经网络模型是一个两层前馈神经网络，隐层中的sigmoid函数和输出层中的softmax函数。训练过程使用缩放共轭梯度反向传播算法进行。近60%的数据集（997个样本）用于训练过程，20%（333个样本）用于测试过程，20%（333个样本）用于验证过程。3.2.2. 支持向量机支持向量机是可以应用于分类或回归问题的监督学习方法之一。通过线性或非