1 نتیجه برای تشخیص گلیوما
دکتر حجت امامی، دکتر بابک آذرنوید، دکتر محسن عبدالحسینزاده،
دوره 22، شماره 4 - ( 12-1404 )
چکیده
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.
