کشف تداخلات دارویی با استفاده از یادگیری عمیق

تداخل دارویی یک مشکل رایج است که می تواند عوارض جانبی جدی و حتی مرگ را به دنبال داشته باشد. تشخیص تداخل دارویی به طور سنتی توسط متخصصان پزشکی انجام می شود که می تواند فرآیندی زمانبر و پرهزینه باشد. در سالهای اخیر، استفاده از روش های یادگیری عمیق برای تشخیص تداخل دارویی مورد توجه قرار گرفته است. شبکه های عصبی عمیق قادر به یادگیری از حجم های عظیم داده هستند و می توانند الگوهای پیچیده را در داده ها شناسایی کنند. در این مطالعه، به بررسی تاثیر پارامترهای مختلف شبکه های عصبی عمیق بر عملکرد تشخیص تداخل دارویی پرداخته شده است. برای این منظور، از یک مجموعه داده شامل اطلاعات مربوط به تداخالت دارویی استفاده شده است. مدل های مختلف شبکه های عصبی عمیق مانند شبکه های کانولوشنال و شبکه های بازگشتی آموزش داده شده و عملکرد آنها بر روی مجموعه داده تست ارزیابی شده است. نتایج نشان می دهند که مدل های شبکه های عصبی عمیق قادر به تشخیص تداخل دارویی با دقت بالا هستند. همچنین، پارامترهایی مانند تعداد لایه ها، تعداد نورون ها در هر لایه، نوع تابع فعال سازی، نرخ یادگیری و روش بهینه سازی بر عملکرد مدل تاثیرگذار هستند.

کلیدواژه ها:

تداخل دارویی ، یادگیری عمیق ، شبکه های عصبی عمیق ، تشخیص تداخل ، پارامترهای شبکه عصبی ، هوش مصنوعی