بررسی و تحلیل روشهای دستهبندی سلولهای خونی با استفاده از همافزیی الگوریتمهای یادگیری ماشین

در سال های اخیر، الگوریتم های یادگیری ماشین به ویژه مدل های هم افزیی مانند Bagging، Boosting و Stacking در حوزه تشخیص خودکار سلول های خونی توجه بسیاری را جلب کرده اند. این روش ها با استفاده از ترکیب نتایج چند مدل پایه، می توانند خطاهای ناشی از عملکرد ضعیف یک مدل خاص را کاهش داده و قابلیت تعمیم سیستم های تشخیصی را افزایش دهند. در این مقاله، مطالعات مختلفی که به کاربرد روش های هم افزیی در دسته بندی سلول های سفید، قرمز و پلاکت ها پرداخته اند مورد بررسی قرار گرفته اند. همچنین، مجموعه داده های پرکاربرد مانند LISC و BCCD که در آموزش و ارزیابی مدل ها استفاده شده اند معرفی شده اند. مزایایی نظیر افزایش دقت، کاهش بیش برازش و افزایش استحکام مدل ها در برابر نویز از جمله نتایج برجسته استفاده از رویکردهای هم افزیی است. در کنار این مزایا، چالش هایی مانند پیچیدگی محاسباتی، نیاز به تنظیم دقیق پارامترها و دشواری در تفسیر نتایج نیز مطرح هستند. در پایان، با تاکید بر ترکیب یادگیری عمیق با روش های هم افزیی، مسیرهای نوین تحقیقاتی برای ارتقاء سیستم های هوشمند تشخیص سلول های خونی پیشنهاد شده است.

کلیدواژه ها:

تحلیل تصاویر پزشکی ، داده کاوی ، دسته بندی سلول های خونی ، یادگیری ماشین