بررسی و مقایسهی الگوریتمهای مقابله با عدم توازن کلاسها در داده های پزشکی

عدم توازن کلاسها در دادههای پزشکی یکی از چالشهای اساسی در کاربرد یادگیری ماشین محسوب میشود که میتواند دقت و قابلیت اعتماد مدلهای تشخیصی را به طور چشمگیری کاهش دهد این مقاله با تمرکز بر سه سطح رویکردی شامل روشهای مبتنی بر داده، الگوریتم و ترکیبی به مرور و مقایسه پنج الگوریتم پیشرفته پرداخته است. برای ارزیابی الگوریتمها بر روی پنج مجموعه داده پزشکی استاندارد WPBC، Parkinson's، Haberman، Pima و Thoracic Surgery آزمایش شدند. یافته ها نشان دادند که کارایی هر روش به شدت تحت تاثیر نوع داده و میزان عدم توازن است و هیچ الگوریتمی در همه ی شرایط عملکرد برتر تضمین نمیکند اصل Free Lunch. افزون بر ارائه ی نقاط قوت و ضعف هر الگوریتم این مطالعه میتواند به عنوان یک راهنمای عملی برای انتخاب راهکار مناسب در شرایط گوناگون مورد استفاده پژوهشگران و پزشکان قرار گیرد. در پایان پیشنهادهایی برای تحقیقات آینده شامل توسعه ی رویکردهای ترکیبی هوشمند، بهره گیری از شبکه های مولد تخاصمی GANS در دادههای پزشکی و به کارگیری مدلهای قابل توضیح Explainable ارائه شده است.

کلیدواژه ها:

دادههای نامتوازن تشخیص پزشکی ، یادگیری ماشین ، روشهای ترکیبی الگوریتمهای بهینه سازی