مهسا جعفرزاده - کارشناسی ارشد، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه آپادانا، شیراز، ایرا ن
هاله همایونی - استادیار ، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه آپادانا، شیراز، ا یرا ن

در سال های اخیر، پیشرفت روزافزون در زمینه ذخیره سازی داده ها منجر به افزایش حجم داده ها ی پزشکی شده است. داده کاوی در جنبه های مختلف علوم پزشکی از جمله استخراج دانش از حجم داده ها، تشخیص بیماری ها، تعیین اثربخشی داروها، شناسایی روش های درمانی و پیش بینی موفقیت درمان نقش بسزایی دارد. ایمپلنت دندان یکی از رایج ترین روش های جایگزینی ریشه دندان است که در دندانپزشکی استفاده می شود. پیشبینی دقیق موفقیت یا شکست ایمپلنت قبل از جراحیی ک موضوع جالب و چالش برانگیز برای دندانپزشکان است. با این حال، داده ها ی نامتعادل یکی از مشکلات اصلی در هر برنامه داده کاوی پزشکی است. این مشکل زمانی رخ می دهد که نمونه های یک یا چند دسته از داده ها کمیاب و یا جمع آوری آنها مشکل باشد. این چالش مشکلات جد ی در استخراج دانش از داده ها ایجاد می کند. برای این منظور ابتدا داده های نامتعادل خوشه بندی می شوند و سپس هر خوشه توسط الگوریتم SMOTE متعادل می شود. سپس داده های متعادل شده توسط مجموعه ا ی از چهار طبقه بندی کننده معروف، از جمله درخت تصمیم، ماشین بردار پشتیبان، k نزدیکترین همسایه و نایو بیز طبقه بندی میشوند و برای بهبود دقت طبقه بندی از الگوریتم ژنتیک استفاده میشود. نتایج نشان میدهد که روش بیان شده پیشبینی موفقیت دقیق تری را بر روی داده های ۱ نامتعادل ارائه میدهد. که استفاده از الگوریتم های ترکیبی ، accuracy را حدود ۵.۵ درصد، sensitivity را حدود ۰/۳ درصد و specificity را با مقدار قابل توجهی در حدود ۲۵ درصد، در مقایسه با بهترین نتایج به دست آمده از طبقه بندی کننده های تکی افزایش میدهد

داده های نا متوازن، ایمپلنت های دندانی، طبقه بندی کننده ترکیبی، الگوریتم SMOTE