CC BY
0Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 1 | 2025-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 1 | 2025 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 1 | 2025 год
TIBBIY TASHXISNI ANIQLASH JARAYONIDA KLASSIFIKATSIYA ALGORTIMIDAN
FOYDALANISHNING TAHLILI
Sotvoldiyeva Dildora Botirjon qizi,
Muhammad al-Xorazmiy nomidagi Toshkent Axborot texnologiyalari Universiteti Farg'ona filiali "Axborot texnologiyalari" kafedrasi assistenti e-mail: [email protected]
Karimov Sardorbek Ilhomjon o'g'li,
Muhammad al-Xorazmiy nomidagi Toshkent Axborot texnologiyalari Universiteti Farg'ona filiali "Axborot texnologiyalari" kafedrasi katta o'qituvchisi e-mail: [email protected]
Mehmonaliyev Yahyobek,
Muhammad al-Xorazmiy nomidagi Toshkent axborot
texnologiyalari universiteti Farg'ona filiali talabasi
Annotatsiya: Ushbu maqolada zamonaviy sun'iy intellekt texnologiyalari yordamida sog'liqni saqlash sohasida tashxis qo'yish jarayonlari tahlil qilinadi va klassifikatsiya algoritmlarining ahamiyati, qo'llanilishi va samaradorligi haqida batafsil ma'lumot beradi. Maqola klassifikatsiya algoritmlarining aniqlik, tezkorlik va prognoz qilish imkoniyatlari tufayli tibbiy diagnostika jarayonlaridagi muhim o'rni haqida xulosa beradi. Ushbu tahlil sog'liqni saqlash tizimiga ilg'or texnologiyalarni integratsiya qilish orqali diagnostika jarayonlarini takomillashtirish va shaxsiylashtirilgan tibbiyotga o'tishni qo'llab-quvvatlaydi.
Kalit so'zlar: Klassifikatsiya algoritmlari, tibbiy tashxis, sun'iy intellekt, ma'lumotlarni tahlil qilish, logistik regressiya, tasodifiy o'rmon, neyron tarmoqlar, mashinali o'qitish, diagnostika texnologiyalari.
Kirish. Zamonaviy tibbiyotda tashxis qo'yish jarayoni nafaqat shifokorlarning tajribasiga, balki texnologiyalarning samarali qo'llanilishiga ham tobora ko'proq bog'liq bo'lib bormoqda. Bemorlarning simptomlari, tahlillar natijalari va boshqa sog'liq ma'lumotlari asosida tashxis qo'yishda shifokorlar turli xil intellektual texnologiyalardan foydalanmoqda. Ayniqsa, ushbu sohada sun'iy intellekt, xususan, klassifikatsiya algoritmlarining ahamiyati tobora oshib bormoqda. Klassifikatsiya algoritmlari ma'lumotlarni tahlil qilish va ularni muayyan sinflarga ajratish imkoniyatini taqdim etadi. Ushbu algoritmlar, bemorlarning simptomlari asosida kasalliklarni aniqlash, ularni tasniflash va kelajakdagi rivojlanish ehtimolini prognoz qilish uchun qo'llaniladi. Ayniqsa, ulkan hajmdagi tibbiy ma'lumotlar bilan ishlashda,
bunday algoritmlar diagnostika jarayonini aniq, tezkor va ishonchli amalga oshirishda yordam beradi. Mazkur maqolada tibbiy tashxis qo'yishda qo'llaniladigan asosiy klassifikatsiya algoritmlari, ularning ishlash mexanizmlari hamda sog'liqni saqlash sohasidagi samaradorligi batafsil tahlil qilinadi. Maqsad - ushbu algoritmlar tibbiyot tizimida qanday imkoniyatlar yaratishi va diagnostika jarayonlarining sifatini qanday yaxshilashi mumkinligini o'rganishdir.
Adabiyotlar sharxi. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. Ushbu asar mashinada o'rganish va uning tibbiyotdagi qo'llanilishi haqida keng qamrovli tushuncha beradi. Kitobda turli xil algoritmlar, shu jumladan, klassifikatsiya metodlari, ularning ishlash prinsiplarini va amaliyotdagi samaradorligini batafsil ko'rib
124
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 1 | 2025-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 1 | 2025 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 1 | 2025 год
chiqiladi. Tibbiyotda klassifikatsiya algoritmlarining ishlatilishiga oid muhim misollar va tadqiqotlar taqdim etilgan.[1]
Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann Ushbu kitobda ma'lumotlarni qazib olish, shu jumladan, klassifikatsiya algoritmlarining tahlili va ularga asoslangan tibbiy tashxis qo'yish jarayonlari keltirilgan. Mualliflar ma'lumotlarni tahlil qilishning asosiy yondashuvlarini va algoritmni real dunyo muammolariga qanday qo'llash mumkinligini tushuntiradi.[2]
Zhang, H. (2004). The Optimality of Naive Bayes. Proceedings of the Seventeenth International Florida Artificial Intelligence Research Society Conference. Ushbu maqola Naive Bayes algoritmining optimal ishlash shartlarini o'rganadi va tibbiy tashxisda qanday samarali ishlashini ko'rsatadi. Algoritmning tibbiy ma'lumotlar bilan ishlashda yengilligi va samaradorligi haqida taqdim etilgan tahlillar, uni tibbiyot sohasida keng qo'llashning asosiy sabablaridan biri bo'lib xizmat qiladi.[3] Bu adabiyotlar, klassifikatsiya algoritmlarining tibbiyot sohasidagi qo'llanilishini, ularning diagnostika jarayonlarini yaxshilashdagi rolini va tibbiy ma'lumotlarni tahlil qilishda qanday qo'llanishini batafsil tushunishga yordam beradi. Tibbiy tashxis qo'yishda ilg'or texnologiyalarni qo'llashning nazariy asoslari va amaliy jihatlari haqida chuqur ma'lumot olish imkonini beradi.
Muammoning qo'yilishi. Zamonaviy tibbiyotda tashxis qo'yish jarayoni o'zining murakkabligi va katta hajmdagi ma'lumotlarni tahlil qilishni talab etishi bilan ajralib turadi. Tibbiy tashxis aniqligini oshirish va bemorga tezkor yordam ko'rsatish uchun intellektual texnologiyalardan, jumladan, klassifikatsiya algoritmlaridan foydalanish zaruriyati yuzaga kelmoqda. Tadqiqotning asosiy maqsadi - klassifikatsiya algoritmlarining tibbiy tashxis jarayonida samaradorligini tahlil qilish va ularning sog'liqni saqlash sohasidagi imkoniyatlarini ochib berishdir.[4]
Taklif etilayotgan yechim: k-Nearest Neighbors (kNN) algoritmi orqali tashxisni aniqlash va
bu usul yordamida tibbiy tashxis qo'yish jarayonini tezkor, aniq va ishonchli qilish bilan birga, sog'liqni saqlash tizimidagi resurslardan samarali foydalanish imkoniyatini oshirish maqsad qilingan. K-yaqin qo'shnilar algoritmi (KNN) - bu mashinani o'qitishda ishlatiladigan nazorat ostidagi o'rganish algoritmi bo'lib, klassifikatsiya va regressiya masalalarida qo'llaniladi.[5] KNN oddiy va samarali algoritm bo'lib, u butunlay masofaga asoslangan tamoyilga ega. KNN algoritmining asosiy printsipi - yangi kiruvchi ma'lumotlarni o'xshashlikka qarab tasniflash yoki baholash. KNN yangi nuqtaning o'z sinfini aniqlash uchun trening ma'lumotlar to'plamidagi yaqin qo'shnilarining sinflariga qaraydi.[6] KNN algoritmining ishlashi K-Yaqin qo'shnilar (KNN) algoritmi o'xshashlik printsipi asosida ishlaydi, bu erda u o'quv ma'lumotlar to'plamidagi K eng yaqin qo'shnilarining teglari yoki qiymatlarini hisobga olgan holda yangi ma'lumotlar nuqtasining yorlig'i yoki qiymatini bashorat qiladi.[7]
1-rasm. KNN algoritmida sinflarga ajratish
KNN qanday ishlashini bosqichma-bosqich tushuntirish quyida muhokama qilinadi:
1-qadam: K ning optimal qiymatini tanlash
K bashorat qilishda e'tiborga olinishi kerak bo'lgan eng yaqin qo'shnilar sonini bildiradi.
2-qadam: masofani hisoblash
Maqsad va o'quv ma'lumotlar nuqtalari o'rtasidagi o'xshashlikni o'lchash uchun Evklid masofasidan foydalaniladi. Ma'lumotlar to'plamidagi har bir ma'lumot nuqtasi va maqsad nuqtasi orasidagi masofa hisoblanadi.[8]
d = л1(X2 - Xl)2 + (У 2 - Ух)2
1-formula. Evklid masofasini hisoblash
3-qadam: Eng yaqin qo'shnilarni topish
125
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 1 | 2025-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 1 | 2025 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 1 | 2025 год
tashxis qlyukoza BMI yoshi
Homiladorlik nas 1 insulin
teri qalinligi qon bosimi dtype: float6 4
1 . о ОО ООО
о . 4 ее 58 1
о „ 2 92 695
о . 2 38 356
о . 2 2 1 898
о . 1 1 3 05 Ь
о . 1 30 5 4 8
о . С 7 4 752
о . О 65 068
Maqsadli nuqtaga eng kichik masofaga ega bo'lgan k ma'lumot nuqtasi eng yaqin qo'shnilardir. Noma'lum element qaysi sinfga tegishli ekanini topishda noma'lum element qiymat jihatidan qaysi sinfga eng yaqin joylashgan bo'lsa shu sinf tarkibiga kiritiladi.[9]
Amaliy qism: Amaliy qismni bajarish jarayonida kasallikka tashxis qo'yishda klassifikatsiya usuli tarkibidagi k-neighbours algoritmidan foydalanilgan. Bemorlar ma'lumotlaridan kelib chiqib bemorlar 2 ta sinfga (kasal yoki kasal emas) ajratiladi. Bunda dastlab shu kasallik bo'yicha qo'yilgan tashxis ma'lumotlaridan foydalaniladi. Kerakli kutubxonalarni import qilib olamiz.
import numpy as np import pandas as pd a=pd.read_csv('diabetes.csv ') a
Natija esa quyidagicha, ma'lumotlarimiz yig'ilgan faylimizni a o'zgaruvchiga biriktirib olamiz. Ma'lumotlarimizni dastlab tahlil qilib olish kerak,matnli ma'lumotlar bo'lsa ularni sonli ko'rinishga keltirish kerak, yokida ortiqcha ma'lumotlardan voz kechish talab etiladi.[10]
2-rasm. Data ning umumiy ko'rinishi a.corrwith(a['tashxis']).abs().sort_values(asce nding=False)
Ushbu funksiya bizga kasallik va uning simptomlari orasidagi bog'lanishni aniqlab beradi. Qaysi bir qiymat 1 ga yaqinroq bo'lsa shu simptom kasallik ga eng ko'p bog'liqligi bor simptom hisoblanadi.
3-rasm. Korrelyatsiya qiymatlari.
Endi esa X va Y o'qlari uchun qiymatlarni belgilaymiz. X o'qi uchun kasallikning barcha simptomlarini, Y o'qimiz uchun esa "Tashxis" nomli column qiymatlarini o'zlashtiramiz.
X = a.drop('tashxis', axis=1).values y = a['tashxis']
Data mizmi test va train qismlarga bo'lib olamiz. Chunki train datamiz bilan ma'lumotlarni mashinaga o'qitishimiz kerak. X ning qanday qiymatlarida Y qanday qoymatlarga erishishini kititb qo'yamiz, modelimiz shu train data dan o'zlashtirgan bilimlari asosida faoliyat yuritadi.
from sklearn.modelselection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X,y, test_size=0.2, random_state=12) X_train
-55 . ЗД1 1 ЯЙ5>Йб4-01 ê.3S!> 47iâ0e-01 -5.7fi33SS10e-01
631гЗЧ07е-01 Яйй483й3«IОО Й7Г»41 30Й»«-01
-1 .1 m
[ 0.04fi0143S О.ОЯ151441
-О . 7flS5fiS1 fi] ,
1 . fifiai ПЙ1 4, -О . 61 61 1 067] ,
4-rasm. Data ning test va train qismlarga bo'linishi
Endi esa ang asosiy qism, berilgan datamiz bilan modelimizni o'qitishimiz kerak, O'qitish jarayonida train datalardan foydalaniladi.[5] Va ma'lumot o'qitilgandan so'ng esa navbatdagi yangi qiymatlar uni test qilib ko'rishimiz kerak bo'ladi.
126
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 1 | 2025-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 1 | 2025 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 1 | 2025 год
Natijaviy ma'lumotlarimizni esa y_predict qiymatga o'zlashtiramiz.[11]
from sklearn.neighbors import
KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=5) # k-ni qiymati
knn.fit(X_train, y train) y_predict = knn.predict(Xtest)
y_predict
arrai1 ( [ 0, 1, 1, 0, 0, 0, 1, l. 0, 1, 0, 1, 1, 0, 0, 0. 1, 0, 0, 0, 0,
0, o, lr 1, o, 0, o. 0. П, 1, o, 0, 0, o. 0, o. 1, Ü, Ö, o. 0.
1, Û, 0. o, 1, 0. 0. 1, 1, 0, (1, 1, 0, 0, 0. 0, 0, 1, 0.
1.', 1, 0, o. 'I, o. 1, 1, 0, 0, 1), I), 0, 1, 1, 0, 1, û. 0, 0,
1 , 0, o. ::, 1 , и, 1, 1, u. 1, o, 11, 1, 0, ¡1. I), 0, 1, 0,
1, 1, o. u. u. l, o. 0, u. 1!, o, 0, I), 1J, 0, 1, 1, 1, o, 01
5-rasm. Model yordamida bashorat qilingan qiymatlar.
Xulosa. Tibbiy tashxis qo'yish jarayonida klassifikatsiya algoritmlaridan foydalanish zamonaviy sog'liqni saqlash tizimining ajralmas qismiga aylanmoqda. Ushbu tadqiqotda tibbiy ma'lumotlarni tahlil qilish va sinflarga ajratishda Naive Bayes, k-Nearest Neighbors (kNN), Support Vector Machine (SVM), va Decision Tree kabi algoritmlarning qo'llanilishi tahlil qilindi. Shuningdek, ushbu usullardan foydalanish sog'liqni saqlash tizimida quyidagi imkoniyatlarni taqdim etadi:
-Diagnostika jarayonlarini avtomatlashtirish orqali bemorlarni samarali davolashni tashkil qilish.
-Sun'iy intellekt texnologiyalarini integratsiya qilish orqali diagnostika sifatini oshirish.
-Resurslardan samarali foydalanib, shifokorlar ish yukini kamaytirish.
Kelajakda klassifikatsiya algoritmlarini yanada rivojlantirish va ularni tibbiyot tizimlariga kengroq integratsiya qilish tashxis aniqligini oshirishga hamda sog'liqni saqlash tizimini innovatsion bosqichga olib chiqishga xizmat qiladi. Shunday qilib, klassifikatsiya algoritmlarining tibbiyotda qo'llanilishi kelajakdagi ilmiy va amaliy tadqiqotlar uchun dolzarb masala bo'lib qoladi.
Foydalanilgan Adabiyotlar.
1. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
2. Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques.
3. Zhang, H. (2004). The Optimality of Naive Bayes. Proceedings of the Seventeenth International Florida Artificial Intelligence Research Society Conference.
4. Khatamj onovich, F. M. (2024). Information Security Threats: Concept, Classification and its Place in the Framework of the National Security Strategy. Miasto Przysztosci, 53, 1126-1127. Retrieved from http://miastoprzyszlosci.com.pl/index.php/mp/article/view/5 015
5. Abdumalik, X., & Muhammadali, F. (2024). THE ETHICAL CONSIDERATIONS OF TECHNOLOGY ADVANCEMENTS, SUCH AS PRIVACY AND SURVEILLANCE ISSUES. Universum: технические науки, 6(6 (123)), 48-49.
6. Khalilov, D., Bozorova, S., Khonturaev, S., Khoitkulov, A., Sotvoldieva, D., & Toshmatov, S. (2024, November). Self-learning system and methods of selection of weight coefficients of neural network. In E3S Web of Conferences (Vol. 508, p. 04011). EDP Sciences.
7. Khonturaev, S. I., & ugli Kodirov, A. A. (2023). REVOLUTIONIZING COTTON PICKING: THE ROLE OF AI IN AGRICULTURE. Educational Research in Universal Sciences, 2(10), 354-356.
8. SARVINOZ, T. (2023). DESIGN OF THE PREPARATION PROCESS SYSTEM FOR EVALUATION SYSTEMS IN SCHOOLS. International Multidisciplinary Journal for Research & Development, 10(11).
9. Sarvinoz, T., & Madina, K. (2023). INVESTIGATION INTO LOCAL NETWORKS: TRAITS, VARIETIES, AND TRANSPORT LAYER PROTOCOLS. Yangi O 'zbekiston taraqqiyotida tadqiqotlarni o 'rni va rivojlamsh omillari, 2(2), 116-126.
10. Каримов С. И. Структурная стратегия формирования дистанционного мониторинга земель сельскохозяйственного назначения // Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2021). - 2021. -С. 59-62.
11. Sotvoldieva, D. (2023). Frequency analysis of the signal. Best Journal of Innovation in Science, Research and Development, 2(11), 693-699.
127
