عنوان فارسی مقاله: |
یک روش جدید برای طبقه بندی خطرات بیماری پسوریازیس مولتی کلاس: الگوی ماشین یادگیری |
| عنوان انگلیسی مقاله: |
A novel approach to multiclass psoriasis disease risk stratification: Machine learning paradigm |
چکیده
مرحله و درجه شدت پسوریازیس، از نظر بالینی بهم مرتبط هستند و برای متخصصان پوست از این نظر مهم هستند که در روند تصمیم گیری دقیق و مطمئن برای درمان بهتر، به آنها کمک می کنند. این مقاله، یک سیستم جدید ارزیابی خطر پسوریازیس (pRAS) را برای طبقه بندی شدت پسوریازیس ارائه داده است که در آن، از تصاویر رنگی پوست مبتلا به پسوریازیس فردی که قومیت هندی آسیایی دارد، استفاده شده است. الگوی یادگیری ماشین یا دستگاه، برای رده بندی خطر درجات بیماری پسوریازیس، با بکارگیری آموزش آفلاین و تصاویر تست کننده انلاین، سازگار شده است. چهار نوع سیستم pRAS را طراحی کردیم. دو نوع طبقه بندی کننده (دستگاه پشتیبان بردار (SVM) و درخت تصمیم گیری (DT)) را در طول مراحل آموزش و تست، و دو نوع معیار انتخاب ویژگی را (آنالیز جزء اصلی (PCA) و نسبت تفکیک فیشر (FDR)) بکار بردیم که منجر به مقایسه جامع میان این چهار سیستم شد.
پایگاه داده ما شامل 848 تصویر پسوریازیس با پنج درجه شدت است: سالم، خفیف، متوسط، شدید و بسیار شدید که بترتیب شامل 383، 47، 245، 145 و 28 تصویر هستند. سیستم pRAS، مشخصات 859 تصویر رنگی و سیاه سفید را محاسبه کرد. سیستم pRAS با استفاده از پروتوکل اعتبارسنجی ((cross-validation ، به همراه روش K-fold، و با بکار گیری SVM به همراه ترکیب FDR با مجموعه ای از ویژگی های ترکیب شده رنگی و سیاه سفید، دقت 99.92% را می دهد. چند پارامتر ارزیابی عملکرد مانند: قدرت حفظ ویژگی، اثر ویژگی های جمع آوری شده و قابلیت اطمینان سیستم، وجود مفروضات و فرضیه ما را محاسبه کردند. یافته هایمان نشان دادند که نتایج امیدوارکننده هستند و سیستم pRAS قادر به طبقه بندی بیماری پسوریازیس است.
