تشخیص نوع ضایعه بیماری سرطان گوارش با استفاده از الگوریتم درخت تصمیم Decision Tree

در سالهای اخیر، پیشرفت های چشمگیر در حوزه هوش مصنوعی و یادگیری ماشین موجب تحول اساسی در حوزه علوم پزشکی شده است. این فناوری ها با توانایی در تحلیل حجم عظیمی از داده های بالینی و تشخیصی، نقش مهمی در تصمیم گیری بالینی ایفا می کنند. استفاده از الگوریتم های داده کاوی، به ویژه مدل هایی مانند درخت تصمیم، امکان شناسایی الگوهای پنهان در داده ها و ارائه پیش بینی هایی دقیق را فراهم کرده است. این ابزارها امروزه به عنوان مکملی موثر در کنار پزشکان و متخصصان، در شناسایی و تشخیص بیماری های پیچیده مانند سرطان ها به کار می روند، به طوری که در بسیاری از موارد، منجر به افزایش دقت، کاهش خطای انسانی و تسریع در فرآیند تشخیص شده اند. یکی از چالش برانگیزترین سرطان ها از حیث تشخیص، سرطان های دستگاه گوارش هستند که طیف وسیعی از ضایعات با منشا و رفتارهای پاتولوژیک گوناگون را شامل می شوند. این ضایعات معمولا با علائم مبهم و تاخیر در تشخیص همراه هستند که می تواند به کاهش اثربخشی درمان بینجامد. از سوی دیگر، حجم بالای ویژگی های مرتبط با ضایعات شامل پارامترهای بافتی، رنگی، هندسی و اطلاعات حاصل از تصویربرداری های تخصصی مانند (Narrow Band Imaging) تحلیل دقیق و علمی این داده ها را برای نیروی انسانی دشوار می سازد. مجموعه داده به کار رفته در این مطالعه، از پایگاه UCI استخراج شده و شامل ۶۹ ضایعه پاتولوژیک (۴۴ آدنوم، ۲۱ ضایعه هیپرپلاستیک و ۱۱ آدنوم دندانه دار) با ۹۶۶ ویژگی مربوط به ساختار بافتی، رنگی و شکل سه بعدی آن ها است. در این پژوهش، از الگوریتم درخت تصمیم (Decision Tree) به عنوان یک روش طبقه بندی شفاف، قابل تفسیر و با دقت قابل توجه برای تحلیل و پیش بینی نوع ضایعه در داده های واقعی سرطان گوارش استفاده شده است. این الگوریتم با ایجاد ساختاری

کلیدواژه ها:

الگوریتم درخت تصمیم ، سرطان گوارش ، هوش مصنوعی ، یادگیری ماشین ، دادهکاوی