شبكه هاي عصبي پيچشي حساس به هزينه براي طبقه بندي زيرگروه هاي سرطان

طبقه بندي زيرگروه هاي سرطان وظيفه بسيار مهمي براي تشخيص و پيش آگهي سرطان است. در سال هاي اخير، روش هاي يادگيري عميق به همين دليل محبوبيت قابل توجهي به دست آورده اند. بااين حال، تعيين ساختار شبكه عصبي دشوار است زيرا عملكرد شبكه عميق تا حد زيادي به ساختار آن بستگي دارد. عالوه بر اين، تعداد بالاي ژن ها در پايگاه داده بيان ژن و عدم تعادل داده ها بين طبقات مختلف تأثير مستقيمي بر پيچيدگي و عملكرد مدل هاي طبقه بندي زيرگروه سرطان دارد. براي پرداختن به مشكل داده هاي نامتعادل، يك مدل شبكه عصبي كانولوشن (CNN )با استفاده از يك استراتژي حساس به هزينه براي افزايش دقت مدل در شناسايي كلاس هاي اقليت پيشنهادشده است. از سوي ديگر، از تكنيك ضريب فيشر براي كاهش ژن ها در مرحله پيش پردازش استفاده ميشود. در روش حساس به هزينه، ماتريس هزينه بر اساس توزيع كلاس ها ايجاد مي شود و سپس از اين ماتريس در مرحله تابع هزينه شبكه CNN براي محاسبه ميزان خطا استفاده مي شود. دو مجموعه از مجموعه داده هاي سرطان براي ارزيابي روش پيشنهادي استفاده مي شود. نتايج با استفاده از سه معيار دقت، فراخواني و دقت مقايسه مي شوند. نتايج نشان ميدهد كه انتخاب ژنهاي مناسب براي طبقه بندي به همراه استفاده از يادگيري حساس به هزينه براي اين منظور مي تواند عملكرد روش پيشنهادي نسبت به مدل CNN بدون انتخاب ويژگي و يادگيري حساس به هزينه حدود 11 ،%10 %و 18 %به ترتيب براي دقت، فراخواني و صحت افزايش دهد