به كارگيري الگوريتم‌هاي يادگيري ماشين در بهبود تشخيص و كاهش خطاهاي انساني در خدمات مراقبت‌هاي بهداشتي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

بيماري‌هاي قلبي‌عروقي و ديابت از چالش‌هاي مهم سلامت عمومي به شمار مي‌آيند و تشخيص زودهنگام آن‌ها مي‌تواند به كاهش عوارض و هزينه‌هاي درمان كمك كند. پيچيدگي داده‌هاي باليني و احتمال بروز خطا در ارزيابي آن‌ها، ضرورت بررسي ابزارهاي پشتيبان تصميم‌گيري را افزايش داده است. پژوهش حاضر با هدف ارزيابي مقايسه‌اي الگوريتم‌هاي يادگيري ماشين در شناسايي بيماري قلبي و ديابت و بررسي ظرفيت آن‌ها براي پشتيباني از تشخيص انجام شد. در اين راستا، پنج الگوريتم جنگل تصادفي، شبكه عصبي مصنوعي، شبكه عصبي پيچشي يك‌بعدي (1D-CNN)، ماشين بردار پشتيبان با هسته تابع پايه شعاعي (SVM-RBF) و XGBoost در محيط پايتون پياده‌سازي و ارزيابي شدند. مجموعه‌داده بيماري قلبي UCI، پس از حذف شش ركورد ناقص، شامل 297 نمونه و 13 ويژگي باليني بود و نسخه متوازن مجموعه‌داده ديابت BRFSS 2015، تعداد 70٬692 نمونه و 21 ويژگي مرتبط با سلامت، سبك زندگي و مشخصات جمعيتي را در بر داشت. در هر دو مجموعه، مسئله به‌صورت طبقه‌بندي دودويي تعريف شد و داده‌ها با نسبت 80 درصد آموزش و 20 درصد آزمون، به‌صورت لايه‌اي و با بذر تصادفي ثابت 42 تقسيم شدند. استانداردسازي ويژگي‌ها با استفاده از پارامترهاي برآوردشده از داده‌هاي آموزش انجام گرفت و همان پارامترها بر داده‌هاي آزمون اعمال شدند تا از نشت اطلاعات جلوگيري شود. عملكرد مدل‌ها با معيارهاي دقت، صحت، بازخواني، امتياز F1 و سطح زير منحني ROC ارزيابي شد. نتايج نشان داد در مجموعه‌داده قلبي، مدل‌هاي SVM-RBF و XGBoost با دقت 85 درصد، رتبه نخست مشترك را كسب كردند و SVM-RBF با AUC برابر با 0/954، بالاترين توان تفكيك گزارش‌شده را داشت. دقت اين مدل نسبت به جنگل تصادفي و ANN، هركدام 2 درصد و نسبت به 1D-CNN حدود 4/08 درصد بهبود نسبي نشان داد، درحالي‌كه با XGBoost برابر بود. در مجموعه‌داده ديابت، بر اساس محاسبات ماتريس‌هاي درهم‌ريختگي، XGBoost با دقت 75/20 درصد و AUC برابر با 0/830، بالاترين دقت عددي را به دست آورد. بهبود نسبي دقت آن نسبت به 1D-CNN، ANN، SVM-RBF و جنگل تصادفي، به‌ترتيب حدود 0/01، 0/24، 0/29 و 0/35 درصد بود كه نشان‌دهنده نزديكي عملكرد مدل‌ها در اين مجموعه‌داده است. يافته‌ها از ظرفيت الگوريتم‌هاي بررسي‌شده براي توسعه ابزارهاي كمك‌تشخيصي حمايت مي‌كنند.

238015

هوش مصنوعي و رباتيك

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان