طبقه‌بندی داده‌های نامتوازن پزشکی با شبکه عصبی فازی

مقدمه

طبقه‌بندی داده‌های نامتوازن پزشکی با شبکه عصبی فازی، راهکاری نوین برای بهبود تشخیص بیماری‌ها در سیستم‌های مراقبت از سلامت است. با افزایش حجم داده‌های پزشکی، چالش‌هایی مانند داده‌های نامتوازن (Imbalanced Data) که در آن تعداد نمونه‌های یک کلاس (مثل بیماران مبتلا به سرطان) بسیار کمتر از کلاس دیگر است، تشخیص دقیق را دشوار می‌کند. این پایان نامه با استفاده از شبکه عصبی فازی (ANFIS) و الگوریتم بهینه‌سازی ازدحام ذرات (PSO) به طبقه‌بندی داده‌های نامتوازن سرطان سینه پرداخته و دقتی معادل ۹۸٫۸% بر روی مجموعه داده ویسکانسین به‌دست آورده است.

اهمیت طبقه‌بندی داده‌های نامتوازن

داده‌های نامتوازن در پزشکی، مانند داده‌های مربوط به بیماری‌های نادر، باعث می‌شوند طبقه‌بندهای معمولی به داده‌های کلاس اکثریت (مثل افراد سالم) تمایل پیدا کنند و داده‌های کلاس اقلیت (بیماران) را نادیده بگیرند. این مشکل منجر به کاهش دقت تشخیص در موارد حیاتی می‌شود. استفاده از یک طبقه‌بند نروفازی عمیق برای داده‌های نامتوازن، با بهره‌گیری از انعطاف منطق فازی و قدرت یادگیری شبکه‌های عصبی، این چالش را برطرف می‌کند.

روش پیشنهادی

روش پیشنهادی در این پژوهش شامل مراحل زیر است:

1. پیش‌پردازش داده‌ها: آماده‌سازی مجموعه داده ویسکانسین برای حذف نویز و تنظیم داده‌ها.

2. بهینه‌سازی ویژگی‌ها: استفاده از الگوریتم PSO برای تنظیم پارامترهای توابع عضویت شبکه عصبی فازی.

3. طبقه‌بندی: بهره‌گیری از سیستم استنتاج نروفازی تطبیقی (ANFIS) برای مدل‌سازی ویژگی‌های بیماری و طبقه‌بندی دقیق.

4. ارزیابی: آزمایش مدل با دقت ۹۸٫۸% و مقایسه با روش‌های مرسوم.

نوآوری و مزایا

ترکیب ANFIS با PSO امکان تنظیم خودکار توابع عضویت و کاهش خطا را فراهم می‌کند. این روش با تمرکز بر داده‌های کلاس اقلیت، دقت تشخیص بیماری‌هایی مانند سرطان سینه را بهبود می‌بخشد و نسبت به روش‌های سنتی کارایی بالاتری دارد.

نتیجه‌گیری

استفاده از شبکه عصبی فازی و PSO در این پژوهش، راهکاری مؤثر برای طبقه‌بندی داده‌های نامتوازن پزشکی ارائه می‌دهد. این روش با دقت بالا و توانایی غلبه بر چالش‌های داده‌های نامتوازن، می‌تواند به بهبود کیفیت خدمات پزشکی کمک کند.