بررسی پیشبینی سرطان کبد با استفاده از شبکه های عصبی چند لایه: مقایسه مدلهای ۱، ۲ و ۴ لایه ای

این مطالعه به بررسی تاثیر تعداد لایه های پنهان در شبکه های عصبی بر دقت پیش بینی سرطان کبد می پردازد. هدف اصل ی تحقیق، ارزی ابی مستقیم اثر افزایش عمق مدل بر عملکرد تشخیصی و تعیین میزان بهبود حاصل از بهینه سازی معماری است. داده های مورد استفاده از یک مجموعه بزرگ با بی ش از ۰۶۱ هزار نمونه و ۵۲ ویژگی از ۰۳ کشور استخراج شده اند. در چارچوب آزمایشی، از روش اعتبارسنجی متقاطع پنجبرشی و تنظیم دقیق پارامترها برا ی اطمینان از تعمیمپذیری مدل بهره گرفته شده است. نتایج اولیه نشان میدهد که مدل های تک، دو و چهار الیه دقتی در حدود ۵۷ درصد ارائه میکنند. تحلیلهای انجام شده بیانگر این نکته است که افزایش پ یچیدگی معماری بدون بهبود روش های استخراج ویژگیهای معنادار تاثیر قابلتوجهی بر عملکرد نداشته است. هدف نهایی پژوهش ارائه چارچوبی عملی جهت بهبود تشخیص سرطان کبد از طریق بهینهساز ی شبکه های عصبی می باشد. مساله اصل ی مطالعه بر محدودیت ها ی مدل های کنونی و نیاز به رویکردهای جامع جهت ارتقا ی کیفی ت داده های ورود ی متمرکز است. بررسیهای آمار ی و مقایسه های دقیق نشانگر اشباع عملکرد مدل ها و ضرورت استفاده از داده های با کیفیت بالاتر است. در نه ایت، این تحقیق بر آن است تا با ترکیب بهبود کیفیت ورودی و بهینه سازی معمار ی، مسیر پیشرفت سیستم های تشخیصی سرطان کبد را هموار کند.

کلیدواژه ها:

سرطان کبد ، یادگیری عمیق ، شبکه عصبی چند لایه ، پیش بینی پزشکی