دوره 10، شماره 2 - ( 6-1402 )                   جلد 10 شماره 2 صفحات 140-125 | برگشت به فهرست نسخه ها


XML English Abstract Print


دانشکده ریاضی، دانشگاه علم و صنعت ایران، تهران، ایران
چکیده:   (1015 مشاهده)
مقدمه: دیابت یک بیماری مزمن است و میزان مرگ و میر آن در حال افزایش است. متخصصان سلامت به دنبال راهکارهای نوآورانه برای تشخیص و درمان زودهنگام آن هستند. پیشرفت‌های یادگیری ماشینی تشخیص بیماری را بهبود داده است. با این حال، به دلیل کمبود داده‌های برچسب‌گذاری شده، مقادیر ناقص و نامتعادل بودن داده‌ها، ایجاد یک پیش‌بین بهینه برای تشخیص بیماری به یک چالش بزرگ تبدیل شده است. هدف این مطالعه ارائه یک چارچوب طبقه‌بندی مبتنی بر خط لوله برای تشخصیص دیابت در دو مجموعه داده هندی (دو کلاس: بیمار و سالم) و عراقی (سه کلاس: بیمار، سالم و در شرف ابتلا به دیابت) است.
روش: بخش مهم این چارچوب پیش‌پردازش است. مدل‌های مختلف یادگیری ماشین مبتنی بر رویکرد One-Vs-One برای حالت سه‌کلاسه، در چارچوب پیشنهادی پیاده‌سازی شده‌اند. به دلیل نامتعادل بودن مجموعه داده، علاوه بر معیار ارزیابی دقت طبقه‌بندی، مساحت زیر منحنی مشخصه عملکرد گیرنده نیز استفاده می‌شود. با هدف افزایش مساحت زیر منحنی مشخصه عملکرد گیرنده و دقت طبقه‌بند، فراپارامترهای هریک از مدل‌ها با روش‌های بهینه‌سازی جستجوی شبکه‌ای و بیزین بهینه‌سازی می‌شوند برای ساختن مدلی قدرتمند با زمان کم آموزش و آزمایش از روش‌های مختلف انتخاب ویژگی استفاده می‌شود.
نتایج: از طریق شبیه‌سازی، چارچوب پیشنهادی برای تشخیص بیماری دیابت در دو مجموعه داده هندی و عراقی مورد آزمایش قرار گرفت. نتایج نشان داد که با استفاده از AdaBoost در مجموعه داده هندی (94/11AUC=، 89/98ACC=) و با استفاده از جنگل تصادفی در مجموعه داده عراقی  (98/62AUC=، 98/66ACC=)، دقت و عملکرد مطلوبی به دست آمد.
نتیجه‌گیری: از نظر معیارهای ACC، دقت، صحت، یادآور و F1-Score، چارچوب پیشنهادی مبتنی بر خط لوله عملکرد بهینه‌ای دارد و می‌تواند در سامانه‌های پزشکی به عنوان یک برنامه کاربردی مورد استفاده قرار گیرد.
متن کامل [PDF 1808 kb]   (383 دریافت)    
نوع مطالعه: پژوهشي اصیل | موضوع مقاله: هوش مصنوعی در حوزه سلامت
دریافت: 1401/11/11 | پذیرش: 1402/6/19

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.