بهینه سازی الگوریتم KNN در راستای تشخیص بیماری های انسدادی ریوی

به گزارش سازمان بهداشت جهانی، بیماری های ریوی سومین علت مرگ و میر در جهان می باشند. این بیماری ها ماهیت مزمن داشته، بنابراین تشخیص زودهنگام اهمیت بالایی دارد. تست های عملکردی ریوی ابزار مهمی در بررسی و پایش بیماران مبتلا به آسیب های تنفسی می باشند. هدف از این پژوهش بهینه سازی الگوریتم پایه K نزدیک ترین همسایه می باشد که با دقت بالاتری خودارزیابی و تفسیر نتایج تست اسپیرومتری را تسهیل و تسریع می کند.

در این پژوهش کاربردی روشی پیشنهاد شده است که محدودیت های الگوریتم پایه را با بهینه سازی، ارزش گذاری ویژگی ها و رای گیری وزن دار بهبود بخشیده و با به کارگیری آن بیماری های انسدادی ریوی را بر اساس مجموعه داده تشکیل یافته از تست های تنفس سنجی و پارامترهای عمومی، در سه دسته آسم، برونشیت مزمن و آمفیزم کلاس بندی کرده است.

در تعیین روش مناسب برای محاسبه فاصله داده ها، روش مینوکوفسکی انتخاب شد و با اعمال ضرایب ارزش ویژگی ها در این رابطه دقت کلاس بندی افزایش یافت. رای گیری وزن دار در قسمت نهایی الگوریتم بر اساس کرنل گوسی صورت گرفت که بر این اساس عملکرد ثابتی به ازای تغییر پارامتر تعداد همسایگان به دست آمد. نتایج ارزیابی ها در قالب اعتبارسنجی متقابل انجام شد که دقت 95/4 درصد و 93/2 درصد صحت در زمان 3/12 ثانیه به دست آمد.

بکارگیری الگوریتم های یادگیری ماشین می تواند در تجزیه و تحلیل داده های پزشکی موثر واقع گردد؛ لذا در این مطالعه از این رویکردها برای ارایه روشی جدید در کلاس بندی، کمک گرفته شد، به طوری که الگوریتم پیشنهادی توانست روش پایه را بهبود ببخشد و همچنین دقت و عملکرد بهتری نسبت به روش های پیشین، داشته باشد.