بهبود عملکرد در راستای پژوهش قبلی با موضوع تشخیص تومور های مغزی با ترنسفورم های بینایی

چکیده

این مطالعه با هدف بهبود دقت طبقه‏بندی متاستاز مغزی بر روی یک مجموعه داده‏ی جامع از تصاویر MRI مغز همراه با داده‏های بالینی و مورفولوژیکی انجام شده است. افزایش حجم مجموعه داده‌های پزشکی تعداد خصوصیاتی با ابعاد بالا را ایجاد کرده است که بر طبقه‌بند‌های یادگیری ماشین (ML) تأثیر منفی می‌گذارد. در یادگیری ماشین، فرآیند انتخاب ویژگی برای انتخاب مرتبط‏ترین ویژگی‏ها و کاهش موارد اضافی و نامربوط، اساسی است. الگوریتم‌های بهینه‌سازی توانایی خود را در حل مسائل انتخاب ویژگی نشان می‌دهند. الگوریتم جستجوی خزندگان (RSA) یک الگوریتم جدید بهینه‏سازی الهام گرفته از طبیعت است که رفتار احاطه کردن و شکار کروکودیل‏ها را شبیه‏سازی می کند. جستجوی منحصربه‌فرد الگوریتم RSA نتایج امیدوارکننده‌ای را در مقایسه با سایر الگوریتم‌های بهینه‌سازی به‌دست می‌آورد. بنابراین در مقاله از این الگوریتم برای جستجوی مجموعه ویژگی‏های مهم استفاده شده است. در این مقاله برای طبقه‏بندی داده‏ها از الگوریتم جنگل تصادفی استفاده شده است. یعنی در ابتدا یک مدل جنگل تصادفی بر روی تمام ویژگی‏های رادیومیک موجود در مجموعه داده آموزش داده شده است. سپس با استفاده از الگوریتم بهینه‏سازی فرا اکتشافی جستجوی خزندگان (RSA) زیرمجموعه‏ای از ویژگی‏های مهم  انتخاب شد. سپس نتایج طبقه‏بندی در دو حالت با هم مقایسه شد. حالت اول بدون اعمال الگوریتم RSA، و حالت دوم با اعمال الگوریتم RSA و انتخاب ویژگی‏های مهم. نتایج نشان داد که با اعمال الگوریتم RSA، در طبقه‏بندی داده‏ها بهبود حاصل شده است، و این رویکرد می‏تواند در تشخیص سریعتر و پیش‏بینی متاستاز مغزی کمک کند و همینطور می‏توان با استفاده از این بهینه‏سازی قدرتمند، سرعت آموزش مدل و کیفیت آن را نیز به طور قابل توجهی افزایش داد.