تشخیص زودهنگام سندرم داون با استفاده از الگوریتم های یادگیری ماشین

با پیشرفت فناوری های توالی یابی، آزمایش غیرتهاجمی NIPT توسعه یافته است و در غربالگری تریزومی ۲۱ از طریق تشخیص DNA جنین موجود در خون مادر، استفاده می شود. برای تحلیل داده های  NIPT معمولا از آزمون Z  استفاده می شود. در روش های  مورد استفاده برای تشخیص سندرم داون احتمال تشخیص اشتباه وجود دارد. بنابراین ارائه روشی که بتواند در کنار روش های تشخیصی به کار برده شود و کارایی این روش ها را بهبود بخشد؛ ضروری است.     هدف اصلی این مقاله طراحی مدلی بر اساس الگوریتم های یادگیری ماشین برای تشخیص زودهنگام سندرم داون است؛ به طوری که بتوان از این روش ها  برای افزایش دقت تشخیص  استفاده کرد. در این مقاله به بهبود روش های تشخیصی به کمک الگوریتم های یادگیری ماشین  مانند: ماشین بردار پشتیبان، بیز ساده، درخت تصمیم، جنگل تصادفی و نزدیکترین همسایه برای بررسی یک مجموعه داده مربوط به سندرم داون پرداخته شده است.  عملکرد هر یک از مدل ها در مجموعه داده سندرم داون بررسی و در نهایت مناسب ترین مدل برای این هدف معرفی شده است. نتایج نشان می دهند که این الگوریتم ها دقت بسیار مناسبی در تشخیص این بیماری دارند.

کلیدواژه ها:

Decision tree algorithm ، Down syndrome ، Machine learning ، Support vector machine algorithm ، یادگیری ماشین ، سندرم داون ، الگوریتم ماشین بردار پشتیبان ، الگوریتم درخت تصمیم