تشخیص بیماری دیابت با استفاده از یادگیری ماشین و الگوریتم‌های تکاملی

زمینه و هدف: در سال های اخیر، یادگیری ماشین و الگوریتم های تکاملی توجه پژوهشگران و متخصصین در حوزه های مختلف، به ویژه حوزه سلامت را به جنبه های کاربردی آنها در پردازش مجموعه داده های کلان برای ارائه بینش های مفید به خود جلب کرده اند. از طرف دیگر، تشخیص سریع و دقیق بیماری دیابت یکی از مهم‌ترین مسائل در پزشکی است و افزایش نرخ ابتلا به این بیماری برای جوامع جهانی نگرانی‌های بسیاری را به همراه داشته است. مطالعه حاضر با هدف ایجاد یک مدل تشخیصی مبتنی بر الگوریتم های تکاملی و یادگیری ماشین جهت تشخیص بیماری دیابت انجام شد.روش کار: این پژوهش یک چارچوب مبتنی بر تشخیص هوشمند بیماری دیابت را ارائه می دهد. روش پیشنهادی شامل دو مرحله اصلی است: مرحله اول شامل رویکرد طبقه بندی با استفاده از الگوریتم های k-نزدیک ترین همسایه و جنگل تصادفی است. مرحله دوم شامل رویکرد ترکیبی انتخاب ویژگی و طبقه بندی به منظور بهبود نتایج مرحله اول است که در آن از الگوریتم های بهینه ساز گرگ خاکستری، بهینه ساز نهنگ و بهینه ساز ازدحام ذرات جهت انتخاب ویژگی استفاده شده است. در این تحقیق از مجموعه داده‌ دیابت هندی پیما استفاده شده است. تجزیه و تحلیل مقایسه ای بین رویکردهای مختلف از طریق شاخص های ارزیابی دقت، صحت و فراخوانی و امتیاز f1 انجام شده است.نتایج: پس از مقایسه های تطبیقی بین مدل های پیشنهادی، مدل جنگل تصادفی مبتنی بر بهینه ساز گرگ خاکستری با صحت پیش بینی 81/38%  به عنوان مدل نهایی انتخاب و معرفی شد.نتیجه گیری: نتایج حاصل از این پژوهش نشان می دهد که استفاده از الگوریتم های تکاملی در کنار مدل های یادگیری ماشینی، می تواند کارایی و صحت تشخیص بیماری دیابت و عوارض ناشی از آن را در بیش تر مواقع افزایش دهد.

diagnosis of diabetes using machine learning and evolutionary algorithms

background and aim: in recent years, machine learning and evolutionary algorithms have drawn the attention of researchers and specialists in various fields, especially in healthcare, due to their practical applications in processing large datasets to provide valuable insights. considering the increasing prevalence of diabetes and its rapid and accurate diagnosis being one of the most critical issues in medicine, significant concerns are faced by global communities worldwide. the present study was conducted with the aim of creating a diagnostic model based on evolutionary algorithms and machine learning to diagnose diabetes.materials and methods: this research based on the indian pima diabetes dataset presents a framework based on intelligent diabetes diagnosis. the proposed method consists of two main stages. the first stage involves a classification approach using k-nearest neighbors and random forest algorithms. the second stage includes a combined feature selection and classification approach to enhance the results of the first stage, utilizing grey wolf optimization, whale optimization, and particle swarm optimization algorithms for feature selection. comparative analysis among different approaches is conducted through evaluation metrics such as accuracy, precision, recall, and f1-score.results: after comparative comparisons among the proposed models, the random forest model based on the grey wolf optimization was selected and introduced as the final model with a prediction accuracy of 81.38%.conclusion: the findings of this research indicate that the use of evolutionary algorithms alongside machine learning models can often enhance the efficiency and accuracy of diabetes diagnosis and its associated complications.