طبقه‌بندی داده‌های نامتوازن پزشکی با شبکه عصبی و آتوماتای یادگیر

مقدمه

طبقه‌بندی داده‌های نامتوازن با شبکه عصبی و آتوماتای یادگیر، راهکاری نوین برای حل چالش‌های تشخیص بیماری‌ها در مجموعه داده‌های پزشکی است. داده‌های نامتوازن، که در آن تعداد نمونه‌های یک کلاس (مثل بیماران مبتلا به کم‌کاری تیروئید) بسیار کمتر از کلاس دیگر است، باعث کاهش دقت طبقه‌بندی در الگوریتم‌های سنتی می‌شود. این پایان نامه با استفاده از شبکه عصبی بهینه‌شده با آتوماتای یادگیر و انتخاب ویژگی بهینه با الگوریتم فاخته و ماشین بردار پشتیبان، به دقت ۹۹٫۶% در طبقه‌بندی داده‌های کم‌کاری تیروئید از مخزن UCI دست یافته است.

اهمیت طبقه‌بندی داده‌های نامتوازن

داده‌های نامتوازن در پزشکی، مانند داده‌های مربوط به بیماری‌های نادر، باعث می‌شوند طبقه‌بندهای معمولی به کلاس اکثریت (مثل افراد سالم) تمایل پیدا کنند و کلاس اقلیت (بیماران) را نادیده بگیرند یا به‌عنوان نویز در نظر بگیرند. این مشکل تشخیص دقیق بیماری‌های حیاتی را مختل می‌کند. روش‌های سنتی اغلب با تمرکز بر دقت کلی، عملکرد ضعیفی در شناسایی کلاس اقلیت دارند، در حالی که این کلاس از اهمیت بالاتری برخوردار است.

روش پیشنهادی

روش پیشنهادی در این پژوهش شامل مراحل زیر است:

1. انتخاب ویژگی: استفاده از الگوریتم فاخته و ماشین بردار پشتیبان برای انتخاب زیرمجموعه‌ای بهینه از ویژگی‌ها و حذف داده‌های زائد.

2. طبقه‌بندی: بهره‌گیری از  شبکه عصبی و آتوماتای یادگیر برای تنظیم خودکار پارامترهای شبکه عصبی (مانند تعداد لایه‌ها و نرون‌ها) و بهبود دقت.

3. ارزیابی: آزمایش مدل بر روی مجموعه داده کم‌کاری تیروئید UCI با دقت ۹۹٫۶% و مقایسه با روش‌های مرسوم.

نوآوری و مزایا

ترکیب شبکه عصبی با آتوماتای یادگیر، امکان تنظیم خودکار پارامترهای شبکه را فراهم می‌کند و با تمرکز بر کلاس اقلیت، دقت تشخیص را به‌طور قابل توجهی افزایش می‌دهد. استفاده از الگوریتم فاخته برای انتخاب ویژگی، کارایی محاسباتی را بهبود بخشیده و نرخ خطا را کاهش می‌دهد.

نتیجه‌گیری

این پژوهش با ارائه روشی مبتنی بر شبکه عصبی و آتوماتای یادگیر، راهکاری مؤثر برای طبقه‌بندی داده‌های نامتوازن پزشکی ارائه می‌دهد. این رویکرد با دقت بالا و تمرکز بر کلاس اقلیت، می‌تواند در تشخیص بیماری‌های حساس مانند کم‌کاری تیروئید تحول ایجاد کند.