تشخیص بیماری مزمن کلیوی با استفاده از یادگیرنده‌های گروهی و انتخاب ویژگی‌های موثر مبتنی‌ بر الگوریتم بهینه‌سازی تبادل حرارتی

در دنیای امروز، پیشرفت‌های هوش مصنوعی و یادگیری ماشین منجر به ایجاد سامانه‌های هوشمندی شده که می‌توانند بدون دخالت مستقیم پزشکان، داده‌های پیچیده پزشکی را تحلیل کرده و دانش ارزشمندی در فرایندهای تشخیصی ارائه دهند. هدف این پژوهش، پیاده‌سازی و ارزیابی سامانه‌ای هوشمند برای تشخیص بیماری مزمن کلیوی با استفاده از روش‌های یادگیری ماشین است. این سامانه با ترکیب یادگیرنده‌های گروهی و انتخاب ویژگی‌های موثر مبتنی بر یک الگوریتم فراابتکاری ساخته شده است. ابتدا، پیش‌پردازش داده‌ها انجام می‌شود و سپس الگوریتم بهینه‌سازی تبادل حرارتی برای انتخاب ویژگی‌های مهم داده به‌کار گرفته می‌شود. در نهایت، طبقه‌بندی داده‌ها با ترکیب پنج روش طبقه‌بندی، شامل درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، xgboost و k- نزدیک‌ترین همسایه، انجام می‌شود تا دقت تشخیص به حداکثر برسد. نتایج نشان داد که روش پیشنهادی در مجموعه داده uci، در چهار معیار دقت، صحت، بازیابی و f1 به مقدار 100 درصد دست یافت و برتری قابل توجهی نسبت به تمامی پژوهش‌های پیشین داشت. در مجموعه داده kaggle، روش پیشنهادی با دقت 92/16 درصد، معیار f1 برابر با 96/07 درصد، صحت 92/44 درصد و بازیابی 100 درصد عملکردی رقابتی و نزدیک به بهترین نتایج ثبت‌شده در پژوهش‌های پیشین ارائه داد.