نوع مدرک: | متون چاپی |
سرشناسه | بهارلوئی ، فاطمه، نویسنده |
ردهبندی کنگره : | COM soft 58 |
عنوان : | بهبود تشخیص بقای کودکان در پیوند مغز استخوان با استفاده از تکنیکهای یادگیری ماشین گروهی و انتخاب ویژگی |
عنوان موازی : | Improving The Diagnosis Of Children Survival In Bone Marrow Transplantation Using Ensemble Machine Learning Techniques And Feature Selection |
ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
سال نشر : | 1401 |
صفحه شمار: | 85ص |
شابک/شاپا | 24543 |
یادداشت | پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار |
شناسه افزوده : | نعمت بخش ، ناصر، استاد راهنما زمین کار ، مینا، استاد مشاور |
توصیفگرها | پیوند مغز استخوان، رای گیری اکثریت تطبیقی، شبکه عصبی، انتخاب ویژگی فیلتر Bone marrow transplantation, Adaptive Majority Voting, Neural Network, Filter Feature Selection |
چکیده : | پیوند مغز استخوان که به آن پیوند سلولهای بنیادی خونساز نیز گفته میشود؛ سلولهای سالم را جایگزین سلولهای ناسالم مغز استخوان میکند. اخیرا پیوند مغز استخوان، به عنوان یک روش نجات دهنده برای درمان طیف وسیعی از اختلالات ناشی از مغز استخوان و انواع کمی از سرطانها به شمار میآید. بیمارانی که تحت این جراحی هستند با عوامل خطر متعددی که احتمال حیات آنها را کاهش میدهد مواجه هستند. از اینرو ارائه راهکارهای مبتنی بر هوش مصنوعی در راستای تشخیص نرخ بقای بیماران با در نظر داشتن عوامل موثر بر آن، به شدت مورد توجه قرار گرفته است. در سالهای اخیر از روشهایی مثل جنگل تصادفی، k نزدیکترین همسایه، شبکه بیزی و روشهایی از این دست برای تشخیص بقای بیماران پیوند مغز استخوان استفاده شده، اما بررسی روشهای گروهی و روشهای شبکه عصبی در این بین نادیده گرفته شده است. از اینرو در این تحقیق از ترکیب 5 روش مختلف شامل شبکه عصبی Dense، جنگل تصادفی، درخت تصمیم، ماشین بردار پشتیبان و K نزدیکترین همسایه برای تشخیص بقای بیماران پیوند مغز استخوان استفاده شده است. در این مدل برای ترکیب روشهای فوق، تکنیک رای گیری اکثریت تطبیقی پیشنهاد شده است که در آن 3 مورد از 5 الگوریتم فوق که دارای بهترین نتایج هستند با یکدیگر ترکیب میشوند. از طرف دیگر برای کاهش پیچیدگیهای محاسباتی مدل از سه روش انتخاب ویژگی فیلتر مختلف شامل روش Relief ، NCA و sequential برای انتخاب زیر مجموعه بهینه از ویژگیها استفاده شده است. نتایج بررسیهای مدل بر روی پایگاه داده Bone marrow دریافت شده از مخزن UCI نشان میدهد مدل میتواند به صحت بالغ بر 99% دست یابد که متعلق به روش رای گیری اکثریت تطبیقی با دو روش انتخاب ویژگی NCA و Relieff است. در بین روشهای انفرادی شبکه Dense در مقایسه با روشهای یادگیری ماشین سنتی عملکرد موفقتری از خود نشان داده است. همچنین روش توانسته بالغ بر 3% تشخیص نرخ بقای بیماران پیوند مغز استخوان را در مقایسه با مدلهای پیشین بهبود دهد |
لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=13618 |
زبان مدرک : | فارسی |