شبكه‌هاي عصبي پيچشي حساس به هزينه براي طبقه‌بندي زيرگروه‌هاي سرطان

طبقه‌بندي زيرگروه‌هاي سرطان وظيفه بسيار مهمي براي تشخيص و پيش آگهي سرطان است. در سال‌هاي اخير، روش‌هاي يادگيري عميق به همين دليل محبوبيت قابل‌توجهي به دست آورده‌اند. بااين‌حال، تعيين ساختار شبكه عصبي دشوار است زيرا عملكرد شبكه عميق تا حد زيادي به ساختار آن بستگي دارد. علاوه بر اين، تعداد بالاي ژن‌ها در پايگاه داده بيان ژن و عدم تعادل داده‌ها بين طبقات مختلف تأثير مستقيمي بر پيچيدگي و عملكرد مدل‌هاي طبقه‌بندي زيرگروه سرطان دارد. براي پرداختن به مشكل داده‌هاي نامتعادل، يك مدل شبكه عصبي كانولوشن (CNN) با استفاده از يك استراتژي حساس به هزينه براي افزايش دقت مدل در شناسايي كلاس‌هاي اقليت پيشنهادشده است. از سوي ديگر، از تكنيك ضريب فيشر براي كاهش ژن‌ها در مرحله پيش‌پردازش استفاده مي‌شود. در روش حساس به هزينه، ماتريس هزينه بر اساس توزيع كلاس‌ها ايجاد مي‌شود و سپس از اين ماتريس در مرحله تابع هزينه شبكه CNN براي محاسبه ميزان خطا استفاده مي‌شود. دو مجموعه از مجموعه داده‌هاي سرطان براي ارزيابي روش پيشنهادي استفاده مي‌شود. نتايج با استفاده از سه معيار دقت، فراخواني و دقت مقايسه مي‌شوند. نتايج نشان مي‌دهد كه انتخاب ژن‌هاي مناسب براي طبقه‌بندي به همراه استفاده از يادگيري حساس به هزينه براي اين منظور مي‌تواند عملكرد روش پيشنهادي نسبت به مدل CNN بدون انتخاب ويژگي و يادگيري حساس به هزينه حدود11%، 10% و 18% به ترتيب براي دقت، فراخواني و صحت افزايش دهد.