بهينه‌سازي الگوريتم KNN در راستاي تشخيص بيماري‌هاي انسدادي ريوي

مقدمه: به گزارش سازمان بهداشت جهاني، بيماري‌هاي ريوي سومين علت مرگ و مير در جهان مي‌باشند. اين بيماري‌ها ماهيت مزمن داشته، بنابراين تشخيص زودهنگام اهميت بالايي دارد. تست‌هاي عملكردي ريوي ابزار مهمي در بررسي و پايش بيماران مبتلا به آسيب‌هاي تنفسي مي‌باشند. هدف از اين پژوهش بهينه‌سازي الگوريتم پايه K نزديك‌ترين همسايه مي‌باشد كه با دقت بالاتري خودارزيابي و تفسير نتايج تست اسپيرومتري را تسهيل و تسريع مي‌كند. روش: در اين پژوهش كاربردي روشي پيشنهاد شده است كه محدوديت هاي الگوريتم پايه را با بهينه سازي، ارزش گذاري ويژگي ها و رأي گيري وزن‌دار بهبود بخشيده و با به كارگيري آن بيماري هاي انسدادي ريوي را بر اساس مجموعه داده تشكيل يافته از تست هاي تنفس سنجي و پارامترهاي عمومي، در سه دسته آسم، برونشيت مزمن و آمفيزم كلاس بندي كرده است. نتايج: در تعيين روش مناسب براي محاسبه فاصله داده ها، روش مينوكوفسكي انتخاب شد و با اعمال ضرايب ارزش ويژگي ها در اين رابطه دقت كلاس‌بندي افزايش يافت. رأي گيري وزن‌دار در قسمت نهايي الگوريتم بر اساس كرنل گوسي صورت گرفت كه بر اين اساس عملكرد ثابتي به ازاي تغيير پارامتر تعداد همسايگان به دست آمد. نتايج ارزيابي ها در قالب اعتبارسنجي متقابل انجام شد كه دقت 95/4 درصد و 93/2 درصد صحت در زمان 3/12 ثانيه به دست آمد. نتيجه‌گيري: بكارگيري الگوريتم هاي يادگيري ماشين مي تواند در تجزيه و تحليل داده هاي پزشكي مؤثر واقع گردد؛ لذا در اين مطالعه از اين رويكردها براي ارائه روشي جديد در كلاس بندي، كمك گرفته شد، به طوري كه الگوريتم پيشنهادي توانست روش پايه را بهبود ببخشد و همچنين دقت و عملكرد بهتري نسبت به روش هاي پيشين، داشته باشد.