دوره 22، شماره 4 - ( 12-1404 )                   جلد 22 شماره 4 صفحات 101-122 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Emami H, Azarnavid B, Abdolhosseinzadeh M. Predicting glioma brain tumor grades using ensemble machine learning. JSDP 2026; 22 (4) : 6
URL: http://jsdp.rcisp.ac.ir/article-1-1484-fa.html
امامی حجت، آذرنوید بابک، عبدالحسین‌زاده محسن. پیش‌بینی درجات تومور مغزی گلیوما با استفاده از یادگیری ماشین گروهی. پردازش علائم و داده‌ها. 1404; 22 (4) :122-101

URL: http://jsdp.rcisp.ac.ir/article-1-1484-fa.html

پیش‌بینی درجات تومور مغزی گلیوما با استفاده از یادگیری ماشین گروهی
حجت امامی* ، بابک آذرنوید ، محسن عبدالحسین‌زاده
دانشیار دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه بناب، بناب، ایران
چکیده:   (99 مشاهده)
گلیوماها شایع‌ترین تومورهای اولیه دستگاه عصبی‌اند که انواع مختلفی از تومورها با درجات مختلف بدخیمی را شامل می‌شوند. تشخیص و درجه‌بندی دقیق این تومورها به‌دلیل ماهیت تهاجمی و پیش‌رونده برخی از انواع آن، به یک چالش اساسی در حوزه پزشکی تبدیل شده‌است. این پژوهش بر روی یک مجموعه‌داده عمومی شامل ۸۳۹ نمونه از پایگاه‌ داده TCGA (اطلس ژنوم سرطان) انجام شده‌است؛ داده‌ها شامل بیست ویژگی ژنتیکی (وضعیت جهش در ژن‌هایی همانند IDH1، TP53 و ATRX) و سه ویژگی بالینی (نژاد، جنسیت و سن) هستند که هدف، دسته‌بندی تومورها به دو گروه گلیوما درجه پایین و گلیوبلاستوما است؛ تاکنون چندین مدل یادگیری ماشین برای حل مسئله تشخیص و درجه‌بندی گلیوما ارائه شده‌است که به نتایج قابل ‌قبولی دسته یافته‌اند؛ بااین‌حال، تلاش در این زمینه جهت توسعه مدلی با بیشترین کارایی در دسته‌بندی و درجه‌بندی تومورها نیاز است؛ زیرا کارایی مدل‌های موجود با حالت ایدئال فاصله زیادی دارد. نوآوری این پژوهش، ارائه یک چهارچوب یادگیری ماشین گروهی دولایه (EML) است که برای نخستین‌بار از ترکیب چهار مدل یادگیر پایه شامل یادگیری ماشین بردار پشتیبان (SVM)، تقویت دسته‌بندی (CatBoost)، درخت­های به‌شدت تصادفی (ERT) و جنگل تصادفی (RF) جهت تنوع‌بخشی و افزایش دقت دسته‌بندی و همچنین یک متامدل شامل رگرسیون لجستیک (LR) استفاده می‌کند؛ همچنین، از یک رویکرد ترکیبی خلاقانه متشکل از الگوریتم‌های Boruta و SHAP برای انتخاب زیرمجموعه بهینه ویژگی‌ها بهره گرفته شده‌است. این رویکرد با هدف کاهش واریانس، جلوگیری از بیش‌برازش و افزایش دقت پیش‌بینی طراحی شده‌است. نتایج آزمایش‌ها روی مجموعه‌داده آزمون حاکی از آن است که مدل پیشنهادی ELM با کسب مقدار صحت 89.29 درصد روی مجموعه‌داده آزمون بهترین رتبه را در بین سایر مدل‌های همتا کسب کرده‌است؛ همچنین الگوریتم‌های RF و LR به‌ترتیب با کسب مقدار صحت 87.27 درصد و 86.88 درصد روی داده‌های آزمون در جایگاه دوم و سوم قرار گرفتند.
شماره‌ی مقاله: 6
واژه‌های کلیدی: تومور مغزی گلیوما، تشخیص گلیوما، داده‌کاوی، یادگیری گروهی، بهینه‌سازی پارامتر
متن کامل [PDF 1798 kb]   (39 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1404/5/21 | پذیرش: 1404/7/14 | انتشار: 1404/12/29 | انتشار الکترونیک: 1404/12/29
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.