بهبود دقت و مراقبت بر سلامت افراد با استفاده از الگوریتم ژنتیک فازی

در حوزه تشخیص بیماریهای پزشکی دقت پیش بینی تحت تاثیر عواملی نظیر عدم قطعیت داده ها، هم پوشانی ویژگی ها و وجود نویز قرار دارد. در پاسخ به این چالش ها پژوهش حاضر به طراحی یک چارچوب تشخیص مبتنی بر الگوریتم ژنتیک فازی (Fuzzy Genetic Algorithm - FGA) پرداخته است که هدف آن بهینه سازی قواعد فازی تصمیم گیری جهت افزایش دقت طبقه بندی است. در این مدل الگوریتم ژنتیک برای جستجوی فضای قواعد فازی به منظور کشف مجموعه ای بهینه از قوانین تطبیقی به کار گرفته شده و منطق فازی جهت مدلسازی نادقیق داده های پزشکی مورد استفاده قرار گرفته است. روش پیشنهادی با استفاده از فرآیند رمزگذاری پیشرفته کروموزوم ها، اپراتورهای انتخاب، تقاطع و جهش تطبیقی و طراحی تابع برازندگی چند معیاره مبتنی بر صحت، حساسیت و ویژگی توسعه یافته است. مجموعه داده های واقعی پزشکی شامل نمونه های سالم و ناسالم جهت ارزیابی مدل استفاده شد. افزون بر این مقایسه عملکرد با سایر روش های کلاسیک یادگیری ماشین نظیر SVM، درخت تصمیم و شبکه های عصبی مصنوعی مزیت بارز مدل ارائه شده در مواجهه با نویز و داده های ناقص را تایید می کند. این تحقیق بیانگر این است که به کارگیری الگوریتم های تکاملی در کنار سیستم های فازی نه تنها می تواند موجب افزایش دقت تشخیص شود، بلکه قابلیت تعمیم و تفسیرپذیری مدل های تشخیصی را نیز بهبود می بخشد؛ امری که در کاربردهای حیاتی نظیر تشخیص پزشکی از اهمیت ویژه ای برخوردار است.

کلیدواژه ها:

الگوریتم های ژنتیک فازی ، تشخیص بیماری ، مراقبت های پزشکی