Signal and Data Processing

fa پیش‌بینی درجات تومور مغزی گلیوما با استفاده از یادگیری ماشین گروهی Predicting glioma brain tumor grades using ensemble machine learning مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research <div style="text-align: justify;">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.<a name="_Hlk208903145"> این پژوهش بر روی یک مجموعه‌داده عمومی شامل ۸۳۹ نمونه از پایگاه‌ داده </a>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. </div> Gliomas, or in other words, aggressive and progressive brain tumors, lead to great complexity in the diagnosis and treatment of patients. While recent machine learning models provided encouraging results in glioma diagnosis and grading, the topic is open, and more efforts are needed. Existing models, despite encouraging results, often fall short of the ideal diagnostic state, highlighting the need for further research to develop robust and high-performing predictive models . This study introduces an optimized ensemble machine learning (EML) model designed to maximize classification (grading) performance and mitigate the pervasive issue of overfitting in glioma grading. Our approach employs a two-layer architecture that synergistically combines diverse weak and base learners. In the first layer, a diverse set of learners, including support vector machine (SVM), categorical boosting (CatBoost), extremely randomized trees (ERT), and random forest (RF), is integrated. This initial ensemble aims to capture a broad spectrum of grading patterns and enhance the overall accuracy by leveraging the complementary strengths of each base model. The outputs from this first layer, representing diversified classification probabilities, are then fed into a second-layer logistic regression (LR) model. This layer refines the predictions, performing the ultimate classification while explicitly addressing and eliminating the overfitting problem, thereby promoting better generalization to unseen data. To rigorously evaluate the performance of the proposed ELM model, a comprehensive comparison was conducted against its constituent base learners and counterpart machine learning models. All models were assessed using a standard, publicly available glioma dataset. To prevent overfitting, examine the robustness of models, and evaluate models fairly, a 5-fold cross-validation strategy is used in experiments. The effectiveness of models was measured using four performance metrics, including accuracy, recall, precision, and F1-score. The experimental results demonstrate the superior performance of the proposed EML model. Across all evaluated metrics, our model consistently outperformed the individual base learners and other benchmarked algorithms, securing the top rank in terms of accuracy. Specifically, the LR model operating on the first-layer ensemble predictions proved highly effective in both enhancing accuracy and preventing overfitting. Following our proposed model, the standalone LR and RF models demonstrated commendable performance, ranking second and third, respectively . The findings of this study underscore the significant potential of an optimized EML model for advancing the field of glioma tumor grading. The proposed model generated promising results and mitigated overfitting through integrating diverse base learners and using an LR model as a meta-model. The results reveal that the proposed model is a reliable and robust tool that can aid Clinical specialists in effectively diagnosing and classifying gliomas, ultimately paving the way for improved patient satisfaction. تومور مغزی گلیوما, تشخیص گلیوما, داده‌کاوی, یادگیری گروهی, بهینه‌سازی پارامتر Brain tumor, tumor detection, glioma, data mining, group learning, parameter optimization 122 101 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1808-3&slc_lang=fa&sid=1 Hojjat Emami حجت امامی emami@ubonab.ac.ir 100319475328460014052 100319475328460014052 Yes Associate Professor, Department of Computer Engineering, Faculty of Engineering, University of Bonab, Bonab, Iran دانشیار دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه بناب، بناب، ایران Babak Azarnavid بابک آذرنوید babakazarnavid@ubonab.ac.ir 100319475328460014053 100319475328460014053 No Assistant Professor, Department of Mathematics and computer science, Basic Science Faculty, University of Bonab, Bonab, Iran استادیار دانشکده علوم پایه، گروه ریاضی و علوم کامپیوتر، دانشگاه بناب، بناب، ایران Mohsen Abdolhosseinzadeh محسن عبدالحسین‌زاده mohsen.ab@ubonab.ac.ir 100319475328460014054 100319475328460014054 No Assistant Professor, Department of Mathematics and computer science, Basic Science Faculty, University of Bonab, Bonab, Iran استادیار دانشکده علوم پایه، گروه ریاضی و علوم کامپیوتر، دانشگاه بناب، بناب، ایران