تشخیص بیماری ام‌اس با استفاده از مدل یادگیری ترکیبی

امروزه با توجه به پیشرفت روزافزون تکنولوژی توجه بسیار زیادی به تکنیک‌های هوش مصنوعی از جمله یادگیری ماشینی در مراقبت‌های پزشکی شده است. یکی از بیماری‌هایی که امروزه نگرانی‌هایی را به وجود آورده بیماری ام‌اس است. این بیماری به حالتی اطلاق می‌شود که در آن چندین بیماری مانند قند خون، فشارخون بالا، چربی خون بالا و چاقی در یک فرد اتفاق افتاده و عوارض آن ممکن است سبب بروز یا افزایش شانس مبتلا شدن به بیماری‌های قلبی عروقی، کبد چرب و... گردد. پیش‌بینی و شروع تمهیدات لازم برای مقابله با این بیماری نقش موثری در بهبود فرد مبتلا دارد. روش‌هایی برای پیش‌بینی این بیماری با استفاده از داده‌های موجود ارائه شده اما استفاده از یک طبقه بند به تنهایی دقت کافی را ندارد. از طرف دیگر یکی از مشکلاتی که گریبان‌گیر کاربردهای پزشکی است بحث داده های نامتوازن است. عدم توازن در داده‌ها به معنی این است که داده‌های یک دسته که عموما داده‎‌های افراد مبتلا به بیماری هستند بسیار کمتر از داده‌های دسته دیگر است. این چالش یادگیری طبقه‌بند را با مشکل بزرگی مواجه می‌نماید. در این مقاله، به منظور رفع مشکل اول از روش‌های مدل یادگیری ترکیبی در پیش‌بینی این بیماری استفاده می‌نماییم. استفاده از این رویکرد سبب اطمینان بیشتر به نتایج حاصل می‌گردد. برای رفع مشکل دوم نیز از روش‌های بیش‌ نمونه‌گیری بهره گرفته می‌شود. نتایج به‌دست‌آمده از روش پیشنهادی حاکی از بهبود نتایج به نسبت سایر روش‌ها است و رسیدن به دقت بالاتر از 99 درصد بر روی داده‌ها می‌باشد.

diagnosis of ms disease using hybrid learning model

nowadays, due to the increasing progress of technology, a lot of attention has been paid to artificial intelligence techniques, including machine learning in medical care. one of the diseases that cause concern today is ms. this disease refers to a state in which several diseases such as blood sugar, high blood pressure, high blood fat, and obesity have occurred in one person, and its complications may cause or increase the chance of cardiovascular diseases, fatty liver, etc. to be anticipating and starting the necessary measures to deal with this disease plays an effective role in the recovery of the affected person. methods for predicting this disease using available data have been presented, but the use of a classification alone is not accurate enough. on the other hand, one of the problems that plague medical applications is the issue of unbalanced data. imbalance in the data means that the data of one category, which is generally the data of people with the disease, is much less than the data of the other category. this challenge makes classifier learning a big problem. in this article, in order to solve the first problem, we use the combined learning model methods in predicting this disease. using this approach gives more confidence in the results. oversampling methods are also used to solve the second problem. the results obtained from the proposed method indicate the improvement of the results compared to other methods and the accuracy is higher than 99% on the data.