تشخیص زودهنگام بیماریهای کلیوی با استفاده از یادگیری عمیق و یادگیری ماشین

بیماری کلیوی به عنوان یکی از چالش های جدی سلامت عمومی در سطح جهان شناخته می شود و تشخیص زودهنگام آن نقش مهمی در پیشگیری از عوارض شدید و نارسایی کلیه دارد. از آنجا که روش های تشخیصی سنتی در مراحل اولیه این بیماری از دقت کافی برخوردار نیستند نیاز به توسعه ابزارهای تشخیصی نوین بیش از پیش احساس می شود. در این راستا پژوهش حاضر با هدف ارائه مدلی کارآمد برای تشخیص زودهنگام بیماری کلیوی مبتنی بر رویکردهای نوین یادگیری ماشین انجام شده است. در این تحقیق، یک مدل شبکه عصبی عمیق طراحی گردید که برای بهینه سازی پارامترهای آن از الگوریتم بهینه سازی گرده افشانی گل و برای انتخاب ویژگی های بهینه از الگوریتم بهبود یافته جست وجوی کلاغ استفاده شد. یافته های پژوهش نشان داد که رویکرد ترکیبی پیشنهادی از عملکرد قابل توجهی برخوردار است؛ به گونه ای که مدل طراحی شده در داده های آزمون به دقت ۹۹٫۳۳٪ دست یافت، در حالی که همین مدل بدون انتخاب ویژگی تنها به دقت ۹۷٫۴۶ رسیده بود همچنین در مقایسه با پژوهش های پیشین از جمله پژوهش مبنا که از مدل های ترکیبی بهره برده بودند مدل حاضر با ساختاری ساده تر و بدون نیاز به تجمیع چندین طبقه ‎بند توانست عملکرد بهتری (۹۹٫۳۳ در برابر ۹۹٫۲٪) ارائه دهد. این نتایج نشان دهنده توانمندی مدل پیشنهادی در شناسایی دقیق الگوهای پیچیده مرتبط با بیماری کلیوی است در نهایت نتایج تحقیق حاضر تاکید می کند که بهره گیری از مدل های یادگیری عمیق در کنار فرآیندهای هوشمندانه بهینه سازی و انتخاب ویژگی می تواند به عنوان ابزاری موثر در پشتیبانی از تصمیم گیری بالینی پزشکان برای تشخیص زودهنگام بیماری کلیوی به کار گرفته شود. این دستاورد می تواند گامی موثر در جهت بهبود پیامدهای درمانی و ارتقای کیفیت زندگی بیماران باشد.

کلیدواژه ها:

بیماری کلیوی ، یادگیری عمیق ، انتخاب ویژگی ، بهینه سازی ، الگوریتم گرده افشانی گل ، الگوریتم جست وجوی کلاغ بهبود یافته