بهره گیری از الگوریتم های داده کاوی برای طبقه بندی عارضه های گوارشی

سالانه افراد زیادی به علت عدم تشخیص به موقع عارضه های گوارشی، به تعداد مبتلایان جدید به سرطان دستگاه گوارش افزوده می شوند. سه مورد از هشت مورد سرطان شایع در سراسر جهان مربوط به دستگاه گوارش است. دلایل زیادی مانند اسپاسم های شدید معده هنگام آندوسکوپی، زمان بر بودن بررسی ویدیو فریم ها، ازجمله عواملی است که سبب نادیده گرفتن عارضه های گوارشی می شود. این عارضه های گوارشی رفته رفته گسترش یافته و تبدیل به ناهنجاری هایی هم چون سرطان می شوند. بهره گیری از ابزارهای موجود مانند واکاوش داده های پزشکی در کنار بهره گیری از ابزارهای بهینه سازی برای حل مسائل متنوع در این حوزه، می تواند این مشکلات را حل کند. ازاین رو هدف اصلی این پژوهش، یافتن مدلی بهینه برای دسته بندی ناهنجاری های گوارشی است. در این پژوهش از شبکه خود رمزگذار پیچشی برای استخراج بهترین ویژگی ها از داده های ساختار نیافته استفاده شده و در ادامه داده ها به کمک الگوریتم هایی چون ماشین های بردار پشتیبان، درخت تصمیم و نزدیک ترین همسایه دسته بندی شدند. درنهایت پس از بررسی نتایج، الگوریتم ماشین های بردار پشتیبان توانست با دقت بالای ۹۸.۳۸% داده های را با کم ترین خطای ممکن به بهترین شکل در کلاس های مختلف تقسیم بندی کرده و بین دسته های متفاوت تابع حاشیه مطلوب را تعیین نماید.

کلیدواژه ها:

یادگیری ماشین ، دسته بندی ، ماشین های بردار پشتیبان (SVMs) ، تصاویر آندوسکوپی.