کلاسبندی بیماری های مزمن ریوی با استفاده از روش جنگل عمیق پیشنهادی

بیماری‌های مزمن انسدادی ریوی بیماری های پیشرونده و تا حد زیادی غیر قابل برگشت هستند که بر مسیرهای تنفسی و هوایی تاثیر می گذارند. این بیماری ها با کاهش سرعت جریان بازدمی مشخص می شوند که شامل آسم، برونشیت مزمن و آمفیزم می باشند. در بین آزمون های عملکرد ریوی، آزمون اسپیرومتری به عنوان استاندارد طلایی برای اندازه گیری دقیق عملکرد ریوی، بیشتر مورد استفاده قرار می گیرد. روند تفسیر نتایج حاصل از این تست وابسته به فرد متخصص می باشد و به دلیل وجود علائم مشابه در بین انواع کلاس های مختلف بیماری، تفسیر توسط خود بیمار دشوار است. از این رو، هدف از این مطالعه استفاده از روش های یادگیری ماشین و هوش مصنوعی در اسپیرومتری، برای تفسیر نتایج آزمایش و طبقه‌بندی بیماری های مزمن انسدادی ریوی می باشد. در این مقاله یک روش کلاسبندی جنگل تصادفی عمیق بر اساس درخت های تصمیم تجمعی چند لایه پیشنهاد شده است که مدل پیشنهادی با تمرکز بر بردار ویژگی ها توسط روش جداپذیری فیشر و الگوریتم ژنتیک بهینه سازی شده است. دادگان بکار رفته در این مقاله از نتایج تست اسپیرومتری و ویژگی های مرتبط با بیماری های ریوی، در سه کلاس جمع آوری شده است. ارزیابی روش پیشنهادی در چهارچوب روش اعتبارسنجی متقاطع 5 گانه انجام شد که معیارهای ارزیابی دقت برابر با 94.16، اختصاصی بودن 95.62 و f-measure برابر با 91.25 درصد به دست آمد.