بررسی و مقایسه‌ی الگوریتم‌های مقابله با عدم توازن کلاس‌ها در داده‌های پزشکی

عدم توازن کلاس‌ها در داده‌های پزشکی یکی از چالش‌های اساسی در کاربرد یادگیری ماشین محسوب می‌شود که می‌تواند دقت و قابلیت اعتماد مدل‌های تشخیصی را به‌طور چشمگیری کاهش دهد. این مقاله با تمرکز بر سه سطح رویکردی شامل روش‌های مبتنی بر داده، الگوریتم و ترکیبی به مرور و مقایسه پنج الگوریتم پیشرفته پرداخته است. برای ارزیابی، الگوریتم‌ها بر روی پنج مجموعه داده‌ی پزشکی استاندارد pima)، haberman، parkinson’s، wpbc و (thoracic surgeryآزمایش شدند. یافته‌ها نشان دادند که کارایی هر روش به شدت تحت‌تاثیر نوع داده و میزان عدم توازن است و هیچ الگوریتمی در همه‌ی شرایط عملکرد برتر تضمین نمی‌کند) اصل .(no free lunchافزون بر ارائه‌ی نقاط قوت و ضعف هر الگوریتم، این مطالعه می‌تواند به‌عنوان یک راهنمای عملی برای انتخاب راهکار مناسب در شرایط گوناگون مورد استفاده پژوهشگران و پزشکان قرار گیرد. در پایان، پیشنهادهایی برای تحقیقات آینده شامل توسعه‌ی رویکردهای ترکیبی هوشمند، بهره‌گیری از شبکه‌های مولد تخاصمی (gans) در داده‌های پزشکی و به‌کارگیری مدل‌های قابل‌توضیح (explainable ai) ارائه شده است.

a review and comparative study of algorithms for handling class imbalance in medical data

class imbalance in medical data is one of the fundamental challenges in machine learning, which can significantly affect the accuracy and reliability of diagnostic models. this paper reviews and compares five well known approaches at three levels data level, algorithm level, and hybrid methods and evaluates their performance on five benchmark medical datasets, including pima, haberman, parkinson’s, wpbc, and thoracic surgery. the results indicate that the effectiveness of each method strongly depends on the nature of the data and the degree of imbalance, and no single algorithm guarantees the best outcome under all conditions (no free lunch theorem). by categorizing and analyzing the strengths and weaknesses of these algorithms, this study provides a practical guideline for researchers and clinicians to select suitable strategies in different scenarios. furthermore, future research directions are suggested, including the development of automated hybrid methods, the application of generative adversarial networks (gans) in medical data, and the use of explainable ai models.