تشخیص بیماری دیابت با استفاده از یادگیری ماشین و الگوریتم های تکاملی

زمینه و هدف: در سال­های اخیر، یادگیری ماشین و الگوریتم­های تکاملی توجه پژوهشگران و متخصصین در حوزه­­های مختلف، به ویژه حوزه سلامت را به جنبه­های کاربردی آنها در پردازش مجموعه داده­های کلان برای ارائه بینش­های مفید به خود جلب کرده­اند. از طرف دیگر، تشخیص سریع و دقیق بیماری دیابت یکی از مهم ترین مسائل در پزشکی است و افزایش نرخ ابتلا به این بیماری برای جوامع جهانی نگرانی های بسیاری را به همراه داشته است. مطالعه حاضر با هدف ایجاد یک مدل تشخیصی مبتنی بر الگوریتم­های تکاملی و یادگیری ماشین جهت تشخیص بیماری دیابت انجام شد. روش کار: این پژوهش یک چارچوب مبتنی بر تشخیص هوشمند بیماری دیابت را ارائه می­دهد. روش پیشنهادی شامل دو مرحله اصلی است: مرحله اول شامل رویکرد طبقه­بندی با استفاده از الگوریتم­های K-نزدیک­ترین همسایه و جنگل تصادفی است. مرحله دوم شامل رویکرد ترکیبی انتخاب ویژگی و طبقه­بندی به منظور بهبود نتایج مرحله اول است که در آن از الگوریتم­های بهینه­ساز گرگ خاکستری، بهینه­ساز نهنگ و بهینه­ساز ازدحام ذرات جهت انتخاب ویژگی استفاده شده است. در این تحقیق از مجموعه داده دیابت هندی پیما استفاده شده است. تجزیه و تحلیل مقایسه­ای بین رویکردهای مختلف از طریق شاخص­های ارزیابی دقت، صحت و فراخوانی و امتیاز F۱ انجام شده است. نتایج: پس از مقایسه­ های تطبیقی بین مدل­های پیشنهادی، مدل جنگل تصادفی مبتنی بر بهینه­ساز گرگ خاکستری با صحت پیش­بینی ۸۱/۳۸%  به عنوان مدل نهایی انتخاب و معرفی شد. نتیجه گیری: نتایج حاصل از این پژوهش نشان می­دهد که استفاده از الگوریتم­های تکاملی در کنار مدل­های یادگیری ماشینی، می­تواند کارایی و صحت تشخیص بیماری دیابت و عوارض ناشی از آن را در بیش­تر مواقع افزایش دهد.

Keywords:

Diabetes Diagnosis , Machine Learning , Evolutionary Algorithms , Feature Selection , تشخیص دیابت , یادگیری ماشین , الگوریتم های تکاملی , انتخاب ویژگی