تشخیص سندرم تاکوتسوبو با انتخاب و یژگی قوی از فضای پنهان پیچیده شبکه تقسیم بندی مبتنی بر یادگیری عمیق

محققان همبستگی قابل توجهی را بین اشیاء تقسیم بندی شد در روش های مختلف تصویربرداری پزشکی و آسیب شناسی مرتبط با بیماری نشان داده اند. چندین مطالعه نشان داد که استفاده از ویژگی های دست ساز برای پیش بینی بماری، امکان استفاده از ویژگی های پنهان مدل های یادگیری عمیق را نادیده می گیرد که ممکن است دقت کلی تشخیص افتراقی را کاهش دهد. با این حال، استفاده مستقیم از مدل های طبقه بندی یا تقسیم بندی در پزشکی برای یادگیری ویژگی های پنهان، از انتخاب ویژگی های قوی منصرف می شود و ممکن است منجر به بیش از حد برازش شود. برای پرکردن این شکاف، ما یک تکنیک انتخاب ویژگی جدید را با استفاده از فضای پنهان یک مدل تقسیم بندی پیشنهاد می کنیم که می تواند به تشخیص کمک کند. بنابر موارد گفته شده در پژوهش حاضر سعی بر تشخیص سندرم تاکوتسویو با انتخاب ویژگی قوی از فضای پنهان پیجیده شبکه تقسیم بندی مبتنی بر یادگیری عمیق شده است. در پژوهش حاضر ۴ مدل یادگیری عمیق RNN, DCNN, DNN و LSTM از نظر پارامترهای دقت، یادآوری، حساسیت و امتیاز F۱ با هم مقایسه شده اند. طبق نتایج در مقایسه مدل های یادگیری عمیق ارائه شده، مدل DCNN (شبکه عصبی کانولوشنی عمیق) بهترین عملکرد را در همه معیارهای ارزیابی عملکرد) دقت، یادآوری، حساسیت و امتیاز F۱ نشان داده است. میانگین عملکرد چهار برابری اعتبار سنجی متقابل این مدل برای مجموعه داده آزمون برابر ۹۳.۱۸% در دقت، ۹۳.۲۹% در یادآوری، ۹۳.۰۴% در حساسیت و ۹۲.۶۵% در امتیاز F۱ بوده است.

کلیدواژه ها:

فضای پنهان تقسیم بندی ، سندرم تاکوتسوبو ، فیلم اکوکاردیوگرام ، یادگیری عمیق