ترکیب هوشمند شبکه عصبی بازگشتی با الگوریتم بهینه سازی زنبور عسل در تشخیص تومورهای کبد

تشخیص دقیق تومورهای کبدی با استفاده از شبکه های عصبی بازگشتی (RNN)، نقش حیاتی در پیشرفت های پزشکی دارد. با این حال، عملکرد این مدل ها به شدت تحت تاثیر هایپرپارامترهایی مانند تعداد نورون ها، طول توالی ورودی، نوع بهینه ساز و تابع خطا قرار می گیرد. تنظیم دستی این پارامترها نه تنها زمان بر و پرهزینه است، بلکه ممکن است به نتایج بهینه منجر نشود. در این پژوهش، از الگوریتم بهینه سازی زنبور عسل (ABC) به عنوان یک روش خودکار برای یافتن مقادیر بهینه هایپرپارامترهای شبکه عصبی بازگشتی استفاده شده است. این الگوریتم که از رفتار هوشمندانه زنبورهای عسل در یافتن منابع غذایی الهام گرفته است، توانایی بالایی در کشف ترکیب بهینه هایپرپارامترها دارد و می تواند دقت تشخیص تومورهای کبدی را افزایش دهد. نتایج تحقیق نشان می دهد که الگوریتم ABC در مقایسه با روش های سنتی تنظیم دستی، منجر به بهبود کارایی مدل در تشخیص سریع تر و دقیق تر تومورها می شود. این روش می تواند به عنوان یک راهکار موثر در سیستم های هوش مصنوعی برای تحلیل تصاویر پزشکی به کار گرفته شود و گامی مهم در جهت افزایش دقت تشخیص بیماری های کبدی باشد.

کلیدواژه ها:

داده کاوی ، یادگیری عمیق ، شبکه عصبی بازگشتی ، هایپرپارامتر ، الگوریتم زنبور عسل ، تشخیص تومور کبد