چکیده:
یهدف البحث إلی مقارنة أسلوبین متبعین فی التصنیف: التحلیل التمییزی (Discriminate (ونورادم الذی یعود إلی علم الإحصاءء والشبکات العصبیة Neural Networkوهی تقنیة من تقنیات علم الحاسوب والذکاء الاصطناعی: ومن ثم مقارنة نتائجهما مع نتیجة التشخیص الطبی الفعلی لمرض سرطان الفم الذی أجری علی عینة مؤلفة من (۳۷) مراجعاً إلی کل من مستشفی الجمهوری ومستشفی السلام. ٍ من أجل التوصل إلی هدف البحث المذکور آنفاً فقد صممت قاعدة بیانات متکاملة باستخدام البرمجة بلغة 6. 0 Visual Basic Ver تحتوی علی المعلومات الطبیة کافة اللازمة لتشخیص المرض (ملحق .) ١ فی التحلیل التمییزی تم إیجاد: (الدالة التمییزیةء نقطة الفصل ومعرفة نسبة الخطاً) بالتطبیق علی عینة البحث التی شملت ) ٠14 ( حالة مشخصة طبیاً بالمرض و (۲۳) حالة سلیمة من المرض. وقد أظهر البحث نتیجة الدالة التمییزیة التی یمکن استخدامها للتمییز بین الحالات المصابة بالمرض من عدمها من خلال معرفة نقطة الفصل البالغة ) ۲٠. ۳- ( فضلا عن معرفة نسبة الخطاأً التی أشیر إلیها فی نهایة البحث البالغة ) ٠. ٠٠۳ ( والتی تعطی قوة الدالة التمییزیة المستخدمة. وأستخد مّت الشبکة العصبیة المدرکة Perceptron المبسطة بوصفها شبکة لاقت النجاح فی تصنیف العیناتء لتصنیف الحالات المرضیة بین مصاب بالمرض أو غیر مصابء وأعتمدت القیمة (0. 75 = 0) کقیمة العتبة ونسبة التعلیم (0. 02 = ) ١ بوصفها قیمة لها تأثیر فی عدد التکرارات: ومن خلال تدریب الشبکة تم التوصل إلی تصنیف المرض بحالتین (حمید أو خبیث) أی (01 أو 10)
The current research aims at comparing the classification of: the discriminate analysis and the
neural networks as a technique of computer sciences and artificial intelligence. Then comparing their
results with the actual medical diagnosis of oral cancer that has been done on a sample consisted of
(37) outpatient to Al – Jumhoori and Al – Salam Hospitals. In order to achieve the aims of the study,
the data - base have been programmed via visual basic (v.6). The process includes all the medical
data sheets for diagnosis (attached 1). In the discriminate analysis, three standards consisted of
discriminate function. Finding the cut of point, the (rate of error) on the samples that includes (14),
cases diagnosed medically (23), cases out of disease. The research demonstrated the discriminate
function that can be used to distinct among with and without infected through knowing, cut of point
amounted (-21.3), additionally knowing the rate of error referred in the end of the research that give a
power of the discriminate function. A simplified perception neural network has been used as a
successful procedure in classifying the cases of infected and non infected patients. By using (θ = 0.75,
& (η = 0.020) as a threshold value and training rate respectively. In comparing what has been done in
discriminate analysis and neural networks perception via input a number new cases then classifying
them according to the medical diagnosis done, showed a great coincidence in results