روش های پارامتریک و الگوریتم های ماشین بردار پشتیبان، پرسپترون چندلایه و درخت تصمیم در تشخیص بیماری

امروزه کاربرد هوش مصنوعی درزمینه سیستم های سلامت گسترش زیادی داشته است. یادگیری ماشین به عنوان یکی از زیرشاخه های هوش مصنوعی، کاربردهای فراوانی در زمینه تشخیص پزشکی دارد. آزمایش آسپیراسیون سوزنی روشی کم هزینه، آسان و سریع برای تشخیص دقیق و زود هنگام توده های سرطانی است. با استفاده از خصوصیات استخراج شده از آزمایش آسپیراسیون سوزنی و با کمک تکنیک های یادگیری ماشین میتوان سیستمی کارآمد را برای تشخیص طراحی نمود که با دقت بالایی خوشخیم یا بدخیم بودن تومورها را تشخیص دهند. هدف این پژوهش ارائه مدلی هوشمند برپایه ی تکنیک های یادگیری ماشین جهت تشخیص بیماری است. نتایج این مطالعه نشان داد که با روش انتخاب ویژگی پیشرو و تکنیکهای پارامتریک یادگیری ماشین، علاوه بر دستیابی به عملکرد بالا در تشخیص ، عوامل و ویژگی های اصلی در تشخیص نیز شناسایی میشوند. به نظر میرسد این ویژگی ها یکی از مهمترین عوامل برای کمک به تشخیص هستند. تکنیک های یادگیری ماشین میتوانند در تشخیص بیماری مزمن اثرگذار باشند. به کارگیری این تکنیکها میتواند امور مربوط به تشخیص و درمان این بیماران را تسهیل کند و احتمال بهبودی افراد را بالا برد. همچنین نتایج نشان داد که مدل ارائه شده بر پایه ی تکنیک های یادگیری ماشین، در مقایسه با سایر تکنیک ها دقیقتر، ساده تر و کم هزینه تر است.