تشخیص نوع لوسمی به کمک یادگیری ماشین: کاهش ابعاد و متوازن سازی

ترکیب تکنیک های محاسباتی هوش مصنوعی و داده کاوی در پزشکی به پیشرفت های قابل توجهی در پیش گیری و تشخیص بیماری ها منجر شده است. در تشخیص لوسمی حاد از اطلاعات ژنتیکی، مدل های پیچیده ای تاکنون ارائه شده؛ اما نتایج قابل توجهی را ارائه نکرده است. این مطالعه به تشخیص نوع سرطان خون با بررسی محدوده گسترده ای از توابع پارامتری و غیرپارامتری و به منظور افزایش قابلت تعمیم آن ها در یادگیری با استخراج ویژگی های ذاتی کم تر از نمونه ها می پردازد.
این مطالعه توصیفی- تحلیلی، بر روی داده های Leukemia1 از دانشگاه واندربیلت آمریکا انجام شد. این داده ها مجموعه ای از نمونه های مغز استخوان و خون بیماران لوسمی است که برای طبقه بندی بر اساس سه زیر گروه سرطان خون ALL B-cell، ALL T-cell و AML استفاده می شود. دسته بندی پارامتری با الگوریتم های خطی، بیز ساده، فاصله اقلیدسی، نزدیک ترین میانگین، تطبیق قالب و دسته بندی غیرپارامتری با الگوریتم های تخمین گرهای پایه، هسته، k -همسایه نزدیک تر و k -همسایه نزدیک تر مبتنی برهسته انجام گردید.
با در نظر گرفتن تمامی ویژگی ها بهترین الگوریتم نزدیک ترین میانگین بود که به دقت پیش بینی 92/86 % رسید. با اعمال روش کاهش ویژگی PCA، باز هم بهترین نتیجه مربوط به الگوریتم نزدیک ترین میانگین بود و با متوسط تعداد ویژگی 6/8 به دقت 96% دست یافت. در نهایت با متوازن سازی داده های Leukemia1، متوسط تعداد ویژگی و دقت توسط الگوریتم درجه 2 به ترتیب 41/5 و 98/59 حاصل گردید.
نتایج به دست آمده بیانگر اثربخشی استخراج ویژگی های ذاتی و متوازن سازی در بهبود دقت مدل مبتنی بر قاعده بیز و برتری آن نسبت به مدل های پیچیده تر کنونی می باشد.