2 نتیجه برای ماشین بردار پشتیبان
منصور رضایی، احسان زرشکی، حمید شرینی، محمد غریب صالحی، فرهاد نعلینی،
دوره 76، شماره 6 - ( 6-1397 )
چکیده
زمینه و هدف: بیماری آلزایمر متداول‌ترین بیماری زوال عقل است که به‌صورت نامحسوس پیش می‌رود و ابتدا ساختار بخشی از مغز را تخریب و سپس به‌صورت بالینی بروز پیدا می‌کند. می‌توان با تشخیص به‌موقع این تغییرات ساختاری مغز، از بروز این بیماری یا از پیشرفت آن جلوگیری کرد. هدف این مطالعه، تشخیص بیماری آلزایمر بر اساس تصویرسازی تشدید مغناطیسی مغز با استفاده از مدل ماشین‌بردار پشتیبان بود.
روش بررسی: مطالعه حاضر یک مطالعه تحلیلی از نوع مدلسازی است که در دانشگاه علوم پزشکی کرمانشاه، دانشکده بهداشت از اسفند ۱۳۹۵ تا آذر ۱۳۹۶ انجام شد. داده‌ها یک دیتاست به نام Miriad شامل تصویرسازی تشدید مغناطیسی مغز ۶۹ فرد بود که در بیمارستان مرکزی لندن جمع‌آوری شده است. افراد به‌وسیله‌ی دو معیار به‌عنوان استاندارد طلایی به دو گروه سالم و آلزایمری تفکیک شده بودند. در این مقاله از مدل ماشین‌بردار پشتیبان با سه کرنل خطی، دوجمله‌ای و گوسین برای تفکیک بیماران از افراد سالم استفاده شد.
یافته‌ها: با استفاده از مدل ماشین‌بردار پشتیبان با کرنل گوسین بیماران آلزایمری و افراد سالم با صحتی برابر ۸۸/۳۴% به درستی تفکیک شدند. مهمترین ناحیه‌ها برای بیماری آلزایمر سه ناحیه‌ی پاراهیپوکامپ جایروس راست، پاراهیپوکامپ جایروس چپ و هیپوکامپ راست بودند.
نتیجه‌گیری: مطالعه حاضر نشان داد که مدل فوق با صحت بالایی می‌تواند بیماران آلزایمری را از افراد سالم تفکیک کند. بر این اساس می‌توان نرم‌افزاری در اختیار مراکز تصویرسازی تشدید مغناطیسی قرار داد تا تست غربالگری آلزایمر را برای افراد بالای ۵۰ سال انجام دهند.
تارا غفوری، نگین معنوی‌زاده،
دوره 80، شماره 7 - ( 7-1401 )
چکیده
زمینه و هدف: در مطالعه حاضر، یک رویکرد انتخاب ویژگی ترکیبی از روش‌های فیلتر و بسته‌بندی، با هدف تشخیص وضعیت بیماری و بقای بیمار، برای تعدادی از مجموعه دادگان علوم زیستی با تعداد متفاوت نمونه، ویژگی و کلاس پیاده‌سازی می‌شود؛ بنابراین، این راهبرد از مزایای هر دو روش، شامل سرعت عملکرد، تعمیم‌پذیری و دقت بالا بهره می‌برد.
روش بررسی: الگوریتم‌های انتخاب ویژگی در چارچوب بازشناسی آماری الگو در نرم‌افزار Matlab R2021a طی فروردین و اردیبهشت 1401 مدلسازی شده‌اند. ابتدا ویژگی‌ها بر پایه اطلاعات متقابل بهنجار شده رتبه‌بندی می‌شوند و یک زیرمجموعه ویژگی بهینه با بالاترین دقت دسته‌بند انتخاب می‌شود. پس از خوشه‌بندی مجموعه داده به‌روش Mini Batch K-means و استخراج ویژگی‌های رتبه‌بندی‌شده، الگوریتم‌های شمول و خروج ویژگی به مجموعه دادگان اعمال می‌شوند.
یافته‌ها: رویکردهای انتخاب ویژگی پیشنهادی برای مجموعه دادگان زیست‌شناسی مولکولی، ویروس هپاتیت C و باکتری E.coli، امتیاز صحت و فراخوانی بالای 98% را نتیجه می‌دهند، که به معنای حضور تعداد بسیار کم موارد مثبت کاذب و منفی کاذب در دسته‌بندی با ماشین بردار پشتیبان خطی است. برای مجموعه داده ویروس هپاتیت C، با انتخاب 9 ویژگی مرتبط از 13 ویژگی موجود با روش خروج ویژگی، دقت دسته‌بندی 92/98% و امتیاز F1 02/%99 به‌دست میآید. رویکرد شمول ویژگی نیز با یک اختلاف جزیی، دقت 78/98% را نتیجه میدهد.
نتیجه‌گیری: نتایج حاصل نشان‌دهنده توانمندی رویکردهای انتخاب ویژگی به‌کار رفته برای مجموعه دادگان علوم زیستی با ابعاد بالای ویژگی همچون مجموعه داده بیان پروتیین می‌باشد. قابلیت تعمیم‌پذیری به سایر دسته‌بندها و تعیین خودکار تعداد ویژگی‌های بهینه در طول فرآیند انتخاب ویژگی، این رویکردها را در بسیاری از کاربردهای داده‌کاوی برای علوم زیستی انعطاف‌پذیر می‌سازد.
