تشخیص هوشمند سرطان حنجره با استفاده از روش های یادگیری ماشین

مقدمه: سرطان حنجره بر اساس عوامل مختلف می توانند خوش خیم یا بدخیم باشند. هدف این پژوهش بهبود مدلی مبتنی بر یادگیری ماشین جهت ارتقاء تشخیص افراد درگیر با سرطان حنجره می باشد.   روش کار: گام نخست، صداهای افرادی که به مراکز درمانی مراجعه کرده اند (شامل آواهای (آ)، (ای)، (او)) ضبط شده و به عنوان مجموعه داده در نظر گرفته شده اند؛ در گام دوم داده ها توسط پزشک متخصص به سه کلاس سرطان خوش خیم، سرطان بدخیم و سالم تقسیم شده اند؛ در گام سوم مرحله پاکسازی داده ها انجام شده است؛ در گام چهارم ویژگی های مرتبط با صدا از داده ها استخراج و در گام پنجم، ۵ مدل یادگیری ماشین SVM، Decision Tree، Naïve Bayes، MLP  و  Random Forest بر روی مجموعه داده ها پیاده سازی شده است و در آخر با استفاده از معیارهای ارزیابی مانند دقت، F-score  و دیگر معیارهای ارزیابی، عملکرد مدل ها ارزیابی شده است. یافته ها: نتایج پیاده سازی نشان داد که مدل SVM برای آوای (آ)  و آوای (او)  با دقت ۰/۸۱۸، دقت بالاتری نسبت به سایر مدل ها از خود نشان داده است، آوای  (ای) با دقت ۰/۸۱۸ در مدل MLP بالاترین دقت را دارا می باشد. نتیجه گیری: پژوهش حاضر،  به ارزیابی مدل های یادگیری ماشین برای تشخیص سرطان حنجره بر اساس داده های صوتی پرداخته است، نتایج نشان داد که استفاده از مدل SVM برای تشخیص سرطان حنجره می تواند با دقت بیشتری در تشخیص این بیماری کمک کند و ارائه نتایج قابل اعتمادی را فراهم آورد.

کلیدواژه ها:

Laryngeal cancer ، Machine learning ، Deep learning ، Artificial intelligence ، سرطان حنجره ، یادگیری ماشین ، یادگیری عمیق ، هوش مصنوعی