تشخیص نوع لوسمی به کمک یادگیری ماشین: کاهش ابعاد و متوازن سازی
Publish place: Journal of Health & Biomedical Informatics، Vol: 5، Issue: 1
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 51
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JHBMI-5-1_003
تاریخ نمایه سازی: 9 مرداد 1403
Abstract:
مقدمه: ترکیب تکنیک های محاسباتی هوش مصنوعی و داده کاوی در پزشکی به پیشرفت های قابل توجهی در پیش گیری و تشخیص بیماری ها منجر شده است. در تشخیص لوسمی حاد از اطلاعات ژنتیکی، مدل های پیچیده ای تاکنون ارائه شده؛ اما نتایج قابل توجهی را ارائه نکرده است. این مطالعه به تشخیص نوع سرطان خون با بررسی محدوده گسترده ای از توابع پارامتری و غیرپارامتری و به منظور افزایش قابلت تعمیم آن ها در یادگیری با استخراج ویژگی های ذاتی کم تر از نمونه ها می پردازد.
روش: این مطالعه توصیفی- تحلیلی، بر روی داده های Leukemia۱ از دانشگاه واندربیلت آمریکا انجام شد. این داده ها مجموعه ای از نمونه های مغز استخوان و خون بیماران لوسمی است که برای طبقه بندی بر اساس سه زیر گروه سرطان خون ALL B-cell، ALL T-cell و AML استفاده می شود. دسته بندی پارامتری با الگوریتم های خطی، بیز ساده، فاصله اقلیدسی، نزدیک ترین میانگین، تطبیق قالب و دسته بندی غیرپارامتری با الگوریتم های تخمین گرهای پایه، هسته، k -همسایه نزدیک تر و k -همسایه نزدیک تر مبتنی برهسته انجام گردید.
نتایج: با در نظر گرفتن تمامی ویژگی ها بهترین الگوریتم نزدیک ترین میانگین بود که به دقت پیش بینی ۹۲/۸۶ % رسید. با اعمال روش کاهش ویژگی PCA، باز هم بهترین نتیجه مربوط به الگوریتم نزدیک ترین میانگین بود و با متوسط تعداد ویژگی ۶/۸ به دقت ۹۶% دست یافت. در نهایت با متوازن سازی داده های Leukemia۱، متوسط تعداد ویژگی و دقت توسط الگوریتم درجه ۲ به ترتیب ۴۱/۵ و ۹۸/۵۹ حاصل گردید.
نتیجه گیری: نتایج به دست آمده بیانگر اثربخشی استخراج ویژگی های ذاتی و متوازن سازی در بهبود دقت مدل مبتنی بر قاعده بیز و برتری آن نسبت به مدل های پیچیده تر کنونی می باشد.
Keywords:
Genetics data , Diagnosis of type of blood cancer , Data mining , Data balancing , Dimension reduction. , داده های ژنتیکی , تشخیص نوع سرطان خون , داده کاوی , متوازن سازی داده ها , کاهش ابعاد
Authors
محمد رضا پژوهان
Ph.D in computer Engineering, Assistant Professor of Computer Engineering, Department of Computer Engineering Dept., Yazd University, Yazd, Iran.
زینب قرائتی
دانشجوی کارشناسی ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :