تشخیص میزان بدخیمی غدد لنفاوی با استفاده از روشهای مختلف یادگیری ماشین

در سالیان اخیر تکنیک های یادگیری ماشین به طور فزایندهای در حیطه مراقبت های بهداشتی، به دلیل توانایی آنها در تجزیه و تحلیل حجم عظیمی از داده و کمک به تشخیص های دقیق، استفاده می شوند. در زمینه لنفوگرافی، طبقه بندی گره های لنفی نقش حیاتی در تشخیص بیماری و برنامه ریزی درمان دارد بنابراین خطاها در تفسیر تصاویر لنفوگرافی می تواند منجر به اشتباهات تشخیصی و نتایج نامطلوب برای روند درمان بیمار شود. مجموعه داده مورد بررسی در این مطالعه شامل ۱۸ ویژگی بارز موجود در تصاویر لنفوگرافی است که در این مطالعه به بررسی کاربرد تکنیک های یادگیری ماشین، به خصوص برای طبقه بندی این تصاویر لنفوگرافی پرداخته شده است. جهت طبقه بندی دقیق انواع مختلف گره های لنف بر اساس ویژگی های آن ها، الگوریتم های کلاسبندی KNN، SVMوMLP مورد بررسی قرار گرفته شد که کلاسبند SVM با نرخ صحیح کلاسبندی ۱/۸۷% بهترین نتیجه گزارش شد. همچنین الگوریتم بهینه سازی PSO جهت انتخاب بهترین ویژگی ها مورد استفاده قرار گرفته و با استفاده از ۵ ویژگی برتر انتخاب شده کلاسبند SVM در کوتاه ترین زمان با دقت ۶/۹۶% به عنوان بهترین الگوریتم معرفی شد.

کلیدواژه ها:

انتخاب ویژگی ، بهینه سازی ازدحام ذرات ، شبکه عصبی ، لنفوگرافی ، یادگیری ماشین