شبکه عصبی مصنوعی با مدل خبره-آمیخته و کاربرد آن در تحلیل داده‌های پزشکی
سه شنبه, ۸ آبان ۱۳۹۷، ۰۴:۵۳ ق.ظ
استاد مشاور: محمد غلامی فشارکی
در تحقیقات پزشکی مدلسازی و پیش‌بینی از اهمیت زیادی برخوردار است. روش-های پیش‌بینی را می‌توان با تکنیک هایی بهبود داد. مدل های آماری و شبکه عصبی مصنوعی از مدل‌هایی هستند که در رده‌بندی و پیش‌بینی مورد استفاده قرار می‌گیرد، اما مدل‌های آماری نیاز به پیش‌فرض‌هایی دارند و شبکه عصبی نیازمند حجم نمونه کافی برای آموزش است.از این رو در این پایان‌نامه اختلاط خبره‌ها را معرفی می‌کنیم که یکی از مدل‌های رایج در ترکیب دسته‌بند‌ها است. ترکیب دسته‌بند‌ها روشی برای بهبود کارایی در مسائل رده‌بندی است که دارای تعداد الگوی محدودتری هستند. این مدل‌ها برای رگرسیون و رده‌بندی مفیدند، ولی ما تنها به دسته‌بندی توسط این مدل پرداخته‌ایم. در اختلاط خبره‌ها فضا بین چند دسته‌بند تقسیم می‌شود و با یک شبکه میانجی اجرا می‌گردد. اختلاط خبره‌ها با استفاده از روش‌های تکراری نظیر الگوریتم ماکسیمم مورد انتظار و شبکه های عصبی قابل برازش است. این مطالعه شامل 213 بیمار هپاتیت سی (195 مرد، 18 زن، فاصله سنی 12-66 ) است. متغیر پاسخ در این مدل بهبودی پس از درمان در نظر گرفته شده‌است. در ابتدا مدل لجستیک به داده ها برازش داده شد و فاکتور‌های موثر شناخته شده‌اند و بعد از آن مدل‌های شبکه عصبی و اختلاط خبره‌ها برازش داده شد. . برای مقایسه عملکرد این سه مدل از منحنی مشخصه عملکرد و صحت پیش‌بینی استفاده شده است. نتایج حاصل از مدل لجستیک نشان‌دهنده معناداری متغیر‌های شاخص توده بدنی، سن، بارویروسی، RS12 است. در تحلیل این داده‌ها با دو مدل لجستیک و شبکه عصبی،سطح پیشگویی مشابه‌ی را نشان داده است. مدل اختلاط خبره‌ها توسط شبکه عصبی برازش داده شد.این مدل در سطح عملکرد پیشگویی همانند شبکه عصبی بوده‌است. شبیه سازی‌ها این مطلب را تایید کردند که مدل اختلاط خبره‌ها یک مدل وابسته به ساختار داده است. اختلاط خبره‌ها در مقایسه با یک مدل رده‌بندی عملکرد را بهبود می‌بخشد. اما این مدل به ساختار داده‌ها وابسته است.
https://ganj-old.irandoc.ac.ir/articles/813687
