بهبود دقت و مراقبت بر سلامت افراد با استفاده از الگوریتم ژنتیک فازی

در حوزه تشخیص بیماری‌های پزشکی، دقت پیش‌بینی تحت تاثیر عواملی نظیر عدم قطعیت داده‌ها، هم‌پوشانی ویژگی‌ها و وجود نویز قرار دارد. در پاسخ به این چالش‌ها، پژوهش حاضر به طراحی یک چارچوب تشخیص مبتنی بر الگوریتم ژنتیک فازی (fuzzy genetic algorithm - fga) پرداخته است که هدف آن بهینه‌سازی قواعد فازی تصمیم‌گیری جهت افزایش دقت طبقه‌بندی است. در این مدل، الگوریتم ژنتیک برای جستجوی فضای قواعد فازی به منظور کشف مجموعه‌ای بهینه از قوانین تطبیقی به کار گرفته شده و منطق فازی جهت مدل‌سازی نادقیق داده‌های پزشکی مورد استفاده قرار گرفته است.روش پیشنهادی با استفاده از فرآیند رمزگذاری پیشرفته کروموزوم‌ها، اپراتورهای انتخاب، تقاطع و جهش تطبیقی و طراحی تابع برازندگی چندمعیاره مبتنی بر صحت، حساسیت و ویژگی توسعه یافته است. مجموعه داده‌های واقعی پزشکی شامل نمونه‌های سالم و ناسالم جهت ارزیابی مدل استفاده شد. افزون بر این، مقایسه عملکرد با سایر روش‌های کلاسیک یادگیری ماشین نظیر svm، درخت تصمیم و شبکه‌های عصبی مصنوعی، مزیت بارز مدل ارائه شده در مواجهه با نویز و داده‌های ناقص را تایید می‌کند. این تحقیق بیانگر این است که به‌کارگیری الگوریتم‌های تکاملی در کنار سیستم‌های فازی نه تنها می‌تواند موجب افزایش دقت تشخیص شود، بلکه قابلیت تعمیم و تفسیرپذیری مدل‌های تشخیصی را نیز بهبود می‌بخشد؛ امری که در کاربردهای حیاتی نظیر تشخیص پزشکی، از اهمیت ویژه‌ای برخوردار است.