پیش بینی سرطان ریه با استفاده ازsvm

در این تحقیق، هدف اصلی پیشبینی و شناسایی دقیق بیماران مبتلا به سرطان ریه با استفاده از الگوریتمهای مخت لف یادگیری ماشین بوده است. برای این منظور، چهار مدل پرکاربرد شامل شبکه عصبی مصنوعی (ANN)، درخت تصمیم (Decision Tree)، جنگل تصادفی (Random Forest) و ماشین بردار پشتیبان (SVM) مورد استفاده و مقایسه قرار گرفتند. پس از پیشپردازش داده ها و آموزش مدل ها، عملکرد آن ها بر اساس شاخص هایی مانند دقت کلی (Accuracy)، دقت مثبت (Precision)، حساسیت (Sensitivity)، ویژگی (Specificity) و امتیاز F۱-Score ارزیابی شد. نتایج نشان داد که مدل SVM با دقت ۷.۵۸٪ و ویژگی ۱۱۱٪، بهترین عملکرد را در شناسایی بیماران واقعی و جلوگیری از تشخیص اشتباه افراد سالم دارد. مدلهای Random Forest و Decision Tree نیز عملکرد قابل قبولی داشتند و مدل ANN ضعیفترین نتایج را ثبت کرد. این مطالعه نشان می دهد که انتخاب مدل مناسب می تواند تاثیر بسزایی در بهبود سامانههای پشتیبان تصمیم گیری در حوزه پزشکی داشته باشد، بهویژه برای بیماری های حساس مانند سرطان ریه. در نهایت، استفاده از مدلهای قوی تر، دادههای گسترده تر و ترکیب دادههای عددی و تصویری، افق هایی روشن برای توسعه سیستمهای هوشمند تشخیص پزشکی فراهم می سازد.

کلیدواژه ها:

سرطان ریه ، یادگیری ماشین ، ماشین بردار پشتیبان ، شبکه عصبی مصنوعی ، تشخیص پزشکی