جستجوی معماری عصبی با کمک الگوریتم تکاملی جایگزین برای شبکه عصبی عمیق جهت تشخیص بیماری دایسکشن آئورت

دایسکشن آئورت بیماری غیرشایعی می باشد که تشخیص دیرهنگام آن با مرگ و میر بالیی همراه است و درمان فوری آن میزان بقای این بیماران را به طور قابل توجهی افزایش می دهد. خطر بدین صورت است که دایسکشن آئورت خون را از آئورت خارج می کند، این می تواند عوارض مهلکی مانند پارگی شریان شکافته شده یا انسداد شدید جریان خون را در جایی که باید از طریق لومن طبیعی آئورت اتفاق بیفتد، ایجاد کند. در صورت پاره شدن دایسکشن آئورت و ارسال خون به فضای اطراف قلب یا ریه ها، عوارض جدی ایجاد می شود که می تواند منجر به فوت بیمار شود. پس شناسایی به موقع آن می تواند جان بیمار را نجات دهد. این مقاله طبقه بندی مشکلات ذکرشده ریه مبتنی بر شبکه های عصبی عمیق را با بهینه سازی هایپرپارامتر بررسی می کند. بهینه سازی هایپرپارامتر در شبکه های عصبی عمیق یک مشکل محاسباتی سنگین بوده که اخیرا یک الگوریتم تکاملی با کمک جایگزین برای جستجوی خودکار پیکربندی هایپرپارامتر بهینه معرفی شده است.این کار با استفاده از مدل های جایگزین محاسباتی کارآمد برای تقریب تابع خطای اعتبارسنجی پیکربندی های فراپارامترصورت می پزیرد. متفاوت از مدل های جایگزین موجود که از توابع کوواریانس ثابت برای اندازه گیری تفاوت بین نقاط فراپارامتر استفاده می کنند، در اینجا از یک هسته چند مقداری استفاده شده که به مدل جایگزین اجازه می دهد تا با توابعی که مقادیر آنها با ابعاد مختلف بیماری متفاوت است، سازگار شود آزمایش ها نشان می دهند که الگوریتم ذکرشده بدون استفاده از تنظیم دستی و چندین روش بهینه سازی فراپارامتر، از جمله جستجوی تصادفی، جستجوی شبکه ای، رویکرد برآوردگر پارزن با ساختار درختی بهتر عمل می کند.

Keywords:

واژه های کلیدی: شناسایی بیماری , فراپارامتر شبکه عصبی عمیق , تخمین معماری یافت شده , جستجوی معماری عصبی , دایسکشن آئورت , مدل جایگزین , کاهش هزینه محاسباتی