تحلیل و مقایسه الگوریتمهای یادگیری ماشین در پیشبینی سرطان معده

سرطان معده یکی از شایع ترین و مرگبارترین سرطان ها در جهان است و تشخیص زودهنگام آن نقش مهمی در بهبود روند درمان دارد. در این پژوهش مجموعه داده ای شامل ۲۸ ویژگی بالینی و یک متغیر هدف مورد استفاده قرار گرفت. هفت الگوریتم یادگیری ماشین شامل رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی، شبکه عصبی مصنوعی، الگوریتم K-نزدیکترین همسایه ها، XGBoost و LightGBM بررسی شدند. عملکرد مدل ها بر اساس معیارهای دقت، یادآوری، صحت و F۱-score مورد ارزیابی قرار گرفت. نتایج نشان داد که الگوریتم های مبتنی بر یادگیری ماشین، جمعی به ویژه جنگل تصادفی و XGBoost، عملکرد بهتری نسبت به سایر الگوریتم ها دارند. به طور خاص، جنگل تصادفی با صحت و مقدار F۱ برابر با ۸۹ بهترین نتایج را به دست آورد. یافته های این پژوهش نشان می دهد که ترکیب داده های بالینی با الگوریتم های پیشرفته یادگیری ماشین می تواند ابزاری کارآمد برای کمک به تشخیص زودهنگام سرطان معده باشد.

کلیدواژه ها:

سرطان معده ، یادگیری ماشین ، تشخیص زودهنگام ، داده های بالینی