جست‌وجو در سایت

برای بستن، دکمه Esc یا ضربدر را فشار دهید.
  • برگه نخست
  • نوشته ها
  • پیش‌بینی بیماری قلبی با استفاده از الگوریتم‌های ژنتیک و چارچوب AutoML

3 آبان 1404

|

4

|

0 نظر

|

کدخبر: 10031

|

حوزه :

دانش و آموزش

پیش‌بینی بیماری قلبی با استفاده از الگوریتم‌های ژنتیک و چارچوب AutoML

پروژه دانشجویی «پیش‌بینی بیماری قلبی با استفاده از الگوریتم‌های ژنتیک و چارچوب AutoML» در سال ۱۴۰۴ توسط احمد جعفرنژاد، دانشجوی کارشناسی ارشد مهندسی کامپیوتر دانشگاه تهران و با راهنمایی دکتر سارا نظری انجام شد. هدف این پروژه توسعه مدلی دقیق و خودکار برای پیش‌بینی بیماری‌های قلبی بود و در آن از ترکیب الگوریتم‌های ژنتیک و … ادامه مطلب

پیش‌بینی بیماری قلبی با استفاده از الگوریتم‌های ژنتیک و چارچوب AutoML

پروژه دانشجویی «پیش‌بینی بیماری قلبی با استفاده از الگوریتم‌های ژنتیک و چارچوب AutoML» در سال ۱۴۰۴ توسط احمد جعفرنژاد، دانشجوی کارشناسی ارشد مهندسی کامپیوتر دانشگاه تهران و با راهنمایی دکتر سارا نظری انجام شد. هدف این پروژه توسعه مدلی دقیق و خودکار برای پیش‌بینی بیماری‌های قلبی بود و در آن از ترکیب الگوریتم‌های ژنتیک و چارچوب AutoML TPOT استفاده شد. مدل ایجاد شده توانست با دقت ۹۳.۸٪ بیماری‌های قلبی را پیش‌بینی کند که نسبت به روش‌های سنتی پیشرفت قابل توجهی داشت و نشان‌دهنده توانمندی دانشجویان در به‌کارگیری هوش مصنوعی در حوزه سلامت است.

جمع‌آوری و آماده‌سازی داده‌ها

برای آموزش مدل، داده‌های پزشکی شامل ویژگی‌هایی مانند سن، جنسیت، فشار خون، سطح کلسترول، نوار قلب و سایر اطلاعات مرتبط جمع‌آوری شد. سپس داده‌ها با استفاده از روش‌های پیش‌پردازش شامل نرمال‌سازی، حذف مقادیر گمشده و تبدیل ویژگی‌های دسته‌ای به عددی آماده شدند.

انتخاب ویژگی‌ها

با استفاده از الگوریتم‌های ژنتیک، بهترین ترکیب ویژگی‌ها برای آموزش مدل انتخاب شد. این مرحله باعث شد که مدل نهایی با کمترین پیچیدگی و بیشترین دقت توسعه یابد.

مدل‌سازی با AutoML

چارچوب AutoML TPOT برای طراحی و انتخاب مدل‌های یادگیری ماشین به کار گرفته شد. TPOT از الگوریتم‌های ژنتیک برای جستجوی بهینه‌ترین ترکیب مدل‌ها و پارامترها استفاده می‌کند، که فرآیند طراحی مدل را خودکار کرده و نیاز به تنظیمات دستی را کاهش می‌دهد.

ارزیابی مدل

مدل نهایی با معیارهای دقت، حساسیت، ویژگی و F1 Score ارزیابی شد. نتایج نشان داد که مدل توسعه‌یافته با دقت ۹۳.۸٪ قادر به پیش‌بینی بیماری‌های قلبی است و عملکرد بهتری نسبت به روش‌های سنتی مانند درخت تصمیم، جنگل تصادفی و رگرسیون لجستیک دارد.

اهمیت و نوآوری پروژه

  • خودکارسازی طراحی مدل: ترکیب AutoML و الگوریتم‌های ژنتیک، فرآیند طراحی مدل را خودکار کرد و وابستگی به تنظیمات دستی کاهش یافت.

  • افزایش دقت پیش‌بینی: دقت مدل بالاتر از روش‌های سنتی بود و توانست تشخیص به موقع بیماری را تسهیل کند.

  • کاربرد عملی: این مدل می‌تواند به عنوان ابزاری کمکی برای پزشکان در تشخیص زودهنگام بیماری‌های قلبی مورد استفاده قرار گیرد.

چالش‌ها و فرصت‌ها

چالش‌ها:

  • دسترسی محدود به داده‌های با کیفیت: داده‌های پزشکی حساس و با برچسب مناسب محدود هستند.

  • حریم خصوصی و مسائل اخلاقی: استفاده از داده‌های پزشکی نیازمند رعایت قوانین اخلاقی و حریم خصوصی است.

  • نیاز به همکاری بین‌رشته‌ای: توسعه چنین پروژه‌هایی نیازمند همکاری دانشجویان رشته‌های پزشکی، کامپیوتر و آمار است.

فرصت‌ها:

  • همکاری با مراکز درمانی: امکان توسعه مدل‌های کاربردی با همکاری بیمارستان‌ها.

  • توسعه استارتاپ: فرصت تجاری‌سازی مدل‌ها و ایجاد کسب‌وکارهای هوش مصنوعی در حوزه سلامت.

  • گسترش آموزش و پژوهش: افزایش مهارت دانشجویان و مشارکت در پروژه‌های بین‌المللی.

پروژه دانشجویی احمد جعفرنژاد در دانشگاه تهران نمونه‌ای بارز از کاربرد هوش مصنوعی و یادگیری ماشین در حوزه سلامت است. این پروژه نشان می‌دهد که دانشجویان ایرانی قادرند با نوآوری و بهره‌گیری از ابزارهای پیشرفته، مشکلات واقعی را حل کنند و به بهبود کیفیت زندگی و توسعه علمی کشور کمک کنند.

برچسب ها :

پروژه دانشجویی ، پیش‌بینی بیماری ، الگوریتم ژنتیک ،
نویسنده زینب دهقان
زینب دهقان

نظر خود را وارد کنید

آدرس ایمیل شما در دسترس عموم قرار نمیگیرد.

پربحث ترین ها
پیشنهادی: