تشخیص پزشکی با استفاده از انتخاب ویژگی مبتنی بر گراف

هادی بزرگی¹ امید سجودی²

1) دانشجوی کارشناسی ارشد کامپیوتر گرایش هوش مصنوعی ،دانشگاه آزاد اسلامی واحد قزوین ، ایران
2) دکتری تخصصی کامپیوتر گرایش هوش مصنوعی ،دانشگاه آزاد اسلامی واحد قزوین ، ایران

محل انتشار : کنفرانس بین المللی پژوهش در علوم و تکنولوژی(rstconf.com)
چکیده :
مجموعه داده های پزشکی اغلب توسط تعداد زیادی از اندازه گیری های بیماری و تعداد نسبتا کمی از سوابق بیمار دسته بندی می شوند. تمامی این اندازه گیری ها (ویژگی ها) مهم و یا بی ربط / نویزی نیستند. این ویژگی ها ممکن است به ویژه در مورد مجموعه های آموزشی نسبتا کوچک، که در آن ارزیابی این بی ارتباط بودن و افزونگی دشوارتر است مضر باشد. از سوی دیگر، این تعداد زیاد ویژگی ها مشکل استفاده از حافظه به منظور نشان دادن مجموعه داده را باعث می شود. سیستم های طبقه بندی به طور گسترده ای در حوزه پزشکی برای بررسی داده های بیمار و استخراج یک مدل پیش بینی مورد استفاده قرار گرفته اند. این مدل به پزشکان در بهبود پیش بینی، تشخیص و یا برنامه ریزی روش درمانی کمک می کند. مدل های مبتنی بر تکنیک های داده کاوی و یادگیری ماشین بمنظور تشخیص زود هنگام بیماری و یا کمک در تشخیص بالینی سرطان پستان توسعه داده شده اند. مجموعه داده های پزشکی اغلب توسط تعداد زیادی از اندازه گیری های بیماری و تعداد نسبتا کمی از سوابق بیمار دسته بندی شده اند. همه اندازه گیری ها (ویژگی ها) مهم و یا بی ربط / نویزی نیستند. این مقاله یک روش انتخاب ویژگی مبتنی بر گراف برای طبقه بندی پایگاه داده های پزشکی ارائه می دهد. مجموعه داده های محک جنسیت، که در مخزن یادگیری ماشین UCI در دسترس هستند، در این کار استفاده شده است. دقت طبقه نشان می دهد که روش ارائه شده قادر به تولید نتایج خوبی با ویژگی های کمتر از مجموعه داده های اصلی است.
کلمات کلیدی : انتخاب ویژگی مجموعه داده های پزشکی خوشه بندی بر پایه گراف ویژگی خوشه بندی