همایش آروین البرز MHHJR 1 3 2025 09 08 Diagnosis of liver disease using a random forest model based on the lobster optimization algorithm تشخیص بیماری کبد با استفاده از مدل جنگل تصادفی مبتنی بر الگوریتم بهینه‌سازی خرچنگ 243 259 10.22051/jera.2021.31891.2698 FA نازنین دانشجوی دکترای تخصصی، گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران فرهاد دانشیار، گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران ندا کارشناس ارشد پرستاری مراقبتهای ویژه، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران 2025 08 27 Liver diseases cause damage to the normal function of the liver, early detection can be effective in prevention, control and treatment. In this paper, a new model based on the optimization of the random forest model with the lobster algorithm for the diagnosis of liver disease is proposed. For evaluation, a dataset of liver patients with 416 patients, 167 healthy people and 10 features for each patient was used. The results show that the performance of the proposed method is more accurate compared to five machine learning models in terms of accuracy, precision, recall and F1 criteria, and are equal to 0.7356, 0.7341, 1.0000 and 0.8467, respectively, which plays an effective role in the diagnosis and classification of healthy and diseased individuals and can be used as an auxiliary tool to increase the diagnosis rate, minimize the error rate and reduce costs and time. In the future, with more data and improved models, accuracy and reliability can be increased and an important step towards smart medicine can be taken. بیماری‌های کبدی سبب آسیب به عملکرد طبیعی کبد می شوند، تشخیص زود هنگام می‌تواند در پیشگیری، کنترل و درمان موثر باشد. در این مقاله یک مدل نوین برمبنای بهینه سازی مدل جنگل تصادفی با الگوریتم خرچنگ برای تشخیص بیماری کبد پیشنهاد شده است. برای ارزیابی از مجموعه داده بیماران کبدی با 416 مبتلا ، 167 نفر سالم و 10 ویژگی برای هر بیمار استفاده شده است. نتایج نشان می‌دهد که عملکرد روش پیشنهادی در مقایسه با پنج مدل یادگیری ماشین از نظر معیارهای صحت، دقت، فراخوانی و معیار F1 دقیق‌تر بوده و به ترتیب برابر 7356/0، 7341/0، 0000/1 و 8467/0 بدست آمده که در تشخیص و طبقه‌بندی افراد سالم و مبتلا نقشی موثر داشته و برای بالا بردن میزان تشخیص، به حداقل رساندن درصد خطا و کاهش هزینه‌ها و زمان به عنوان یک ابزار کمکی قابل استفاده است. در آینده با داده های بیشتر و بهبود مدل ها می توان دقت و اطمینان را افزایش داد و گام مهمی در جهت پزشکی هوشمند داشت. /downloadfilepdf/345906