شبکه عصبی مصنوعی با مدل خبره-آمیخته و کاربرد آن در تحلیل داده های پزشکی

در تحقیقات پزشکی مدلسازی و پیش¬بینی از اهمیت زیادی برخوردار است. روش-های پیش¬بینی را می¬توان با تکنیک هایی بهبود داد. مدل های آماری و شبکه عصبی مصنوعی از مدل¬هایی هستند که در رده¬بندی و پیش¬بینی مورد استفاده قرار می¬گیرد، اما مدل¬های آماری نیاز به پیش¬فرض¬هایی دارند و شبکه عصبی نیازمند حجم نمونه کافی برای آموزش است.از این رو در این پایان¬نامه اختلاط خبره¬ها را معرفی می¬کنیم که یکی از مدل¬های رایج در ترکیب دسته¬بند¬ها است. ترکیب دسته¬بند¬ها روشی برای بهبود کارایی در مسائل رده¬بندی است که دارای تعداد الگوی محدودتری هستند. این مدل¬ها برای رگرسیون و رده¬بندی مفیدند، ولی ما تنها به دسته¬بندی توسط این مدل پرداخته¬ایم. در اختلاط خبره¬ها فضا بین چند دسته¬بند تقسیم می¬شود و با یک شبکه میانجی اجرا می¬گردد. اختلاط خبره¬ها با استفاده از روش¬های 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 شده¬است. در ابتدا مدل لجستیک به داده ها برازش داده شد و فاکتور¬های موثر شناخته شده¬اند و بعد از آن مدل¬های شبکه عصبی و اختلاط خبره¬ها برازش داده شد. . برای مقایسه عملکرد این سه مدل از منحنی مشخصه عملکرد و صحت پیش¬بینی استفاده شده است. نتایج حاصل از مدل لجستیک نشان¬دهنده معناداری متغیر¬های شاخص توده بدنی، سن، بارویروسی، rs12 است. در تحلیل این داده¬ها با دو مدل لجستیک و شبکه عصبی،سطح پیشگویی مشابه¬ی را نشان¬ داده است. مدل اختلاط خبره¬ها توسط شبکه عصبی برازش داده شد.این مدل در سطح عملکرد پیشگویی همانند شبکه عصبی بوده¬است. شبیه سازی¬ها این مطلب را تایید کردند که مدل اختلاط خبره¬ها یک مدل وابسته به ساختار داده است. اختلاط خبره¬ها در مقایسه با یک مدل رده¬بندی عملکرد را بهبود می¬بخشد. اما این مدل به ساختار داده¬ها وابسته است.