ارائه الگوریتم جدید برای طبقه بندی داده های پزشکی سرطان

مقدمه: امروزه الگوریتم های داده کاوی برای طبقه بندی و شناسایی بیماری ها موردتوجه قرارگرفته اند. یا توجه به اهمیت بحث تشخیص و شناسایی بیماری ها ازجمله بیماری سرطان ما نیز به الگوریتم هایی نیاز داریم که در این حوزه به ما کمک کنند که ما در این مقاله از الگوریتم جدیدی بر پایه الگوریتم های تکاملی و داده کاوی (الگوریتم یادگیری ماشین فزاینده بر پایه جستجوی کلاغ) برای طبقه بندی داده های پزشکی باینری استفاده می کنیم.روش کار: در سال 1398 با استفاده از نرم افزار متلب و سیستم با cpu core i7 بر روی دیتاست های UCI سرطان سینه دارای 300 نمونه و 9 رکورد آنالیز انجام داده ایم و توابع محک ما نیز شامل accuracy، sensitivity،specificity،confusion matrix، Gmean و F-score است. الگوریتم ELM به منظور آموزش شبکه عصبی تک لایه پیش رونده (SLFN) به کاربرده شده است. الگوریتم جستجوی کلاغ درواقع به عنوان مدل پایدارتر و پیش آموزش ELM برای انتخاب وزن های ورودی و بایاس پنهان است؛ که هر یک از این دو به تنهایی دارای نواقصی هستند، از ترکیب این دو الگوریتم به یک الگوریتم جدید و بهینه دست می یابیم.یافته ها: در بین الگوریتم بهینه سازی OSELM، ELM روش پیشنهادی ما (CrowSearchELM) بهترین پاسخ را در توابع محک نشان می دهد. برای مثال صحت آزمون در الگوریتم پیشنهادی با افزایش لایه های پنهان به خصوص در لایه پنهان کمتر به مراتب نتایج بهتری نسبت به ELM و OSELM نشان می دهد این درصد بهبود در بهترین حالت 38% است و همچنین مقادیر specificity sensitivity نیز در الگوریتم پیشنهادی نسبت به OSEL، ELM ثبات بیشتری را دارا است.نتیجه گیری: اهمیت بحث تشخیص و شناسایی بیماری ها ما را بر آن داشت تا از الگوریتمی برای طبقه بندی دادههای باینری پیشنهاد دهیم که نسبت به روش های مشابه کارایی بهتری را نشان می دهد. در مباحث داده کاوی روش های مختلفی وجود دارد که هر یک به تنهایی دارای نواقصی هستند مانند گیرکردن در بهینه محلی در الگوریتم ELM و همچنین صحت آزمون بالا در تعداد لایه های پنهان بیشتر که این نواقص را ما در الگوریتم پیشنهادی با استفاده از الگوریتم های بهینه سازی بهبود می دهیم. الگوریتم پیشنهادی ما با توجه به نتایج حاصله و بالابود دقت دسته بندی داده های آزمون می توان آن را به عنوان یکی الگوریتم های خوب در حوزه طبقه بندی، شناسایی و تشخیص داده های پزشکی به کاربرد.

کلیدواژه ها:

الگوریتم کلاغ (CS) ، داده کاوی ، الگوریتم یادگیری ماشین فزاینده