یک رویکرد جدید مبتنی بر الگوریتم CatBoost و هوش مصنوعی تفسیرپذیر به منظور تشخیص بیماری کرونا بر اساس علائم بیماری

ویروس کرونا که در ماه دسامبر ۲۰۱۹ در شهر ووهان چین دیده شد و به سرعت در سراسر جهان شیوع پیدا کرد، همچنان یک تهدید مهم برای سلامت جهان به شمار می آید. علی رغم همه استراتژی های مورد استفاده برای مقابله با گسترش کویید-۱۹، هنوز به تدابیر بیشتری برای رفع پیامدهای ناشی از آن نیاز است. در این پژوهش برای تشخیص فرد مبتلا به کووید-۱۹ از ویژگی های بالینی افراد به عنوان داده های ورودی استفاده شده است که حاصل جمع آوری اطلاعات از پژوهش های مشابه است. همچنین از الگوریتمهای مختلفی شامل یادگیری ماشین بردار پشتیبان، رگرسیون لجستیک، k نزدیکترین همسایه (k=۹)، بیز ساده، جنگل تصادفی، LightGBM، XgBoost و CatBoost استفاده شده که از میان آنها الگوریتمCatBoost ، با کسب حساسیت ۹۷/۹۷ درصد، دقت ۷۲/۹۷ درصد و صحت ۹۶/۹۶ درصد بهترین نتایج را از خود نشان داد. در این الگوریتم، برای تنظیم هر چه دقیقتر فوق پارامترها به منظور رسیدن به نتایج مطلوب از روش آزمون و خطا استفاده شده و از SHAP برای تفسیر نتایج و مشخص کردن تاثیر ویژگی ها بر خروجی الگوریتم استفاده گردیده است.

Keywords:

الگوریتم CatBoost , ویروس کرونا , شبکه عصبی عمیق , بیماری کووید-۱۹ , یادگیری ماشین , SHAP