تشخيص بيماري ديابت با استفاده از يادگيري ماشين و الگوريتم‌هاي تكاملي

زمينه و هدف: در سال هاي اخير، يادگيري ماشين و الگوريتم هاي تكاملي توجه پژوهشگران و متخصصين در حوزه هاي مختلف، به ويژه حوزه سلامت را به جنبه هاي كاربردي آنها در پردازش مجموعه داده هاي كلان براي ارائه بينش هاي مفيد به خود جلب كرده اند. از طرف ديگر، تشخيص سريع و دقيق بيماري ديابت يكي از مهم‌ترين مسائل در پزشكي است و افزايش نرخ ابتلا به اين بيماري براي جوامع جهاني نگراني‌هاي بسياري را به همراه داشته است. مطالعه حاضر با هدف ايجاد يك مدل تشخيصي مبتني بر الگوريتم هاي تكاملي و يادگيري ماشين جهت تشخيص بيماري ديابت انجام شد.روش كار: اين پژوهش يك چارچوب مبتني بر تشخيص هوشمند بيماري ديابت را ارائه مي دهد. روش پيشنهادي شامل دو مرحله اصلي است: مرحله اول شامل رويكرد طبقه بندي با استفاده از الگوريتم هاي K-نزديك ترين همسايه و جنگل تصادفي است. مرحله دوم شامل رويكرد تركيبي انتخاب ويژگي و طبقه بندي به منظور بهبود نتايج مرحله اول است كه در آن از الگوريتم هاي بهينه ساز گرگ خاكستري، بهينه ساز نهنگ و بهينه ساز ازدحام ذرات جهت انتخاب ويژگي استفاده شده است. در اين تحقيق از مجموعه داده‌ ديابت هندي پيما استفاده شده است. تجزيه و تحليل مقايسه اي بين رويكردهاي مختلف از طريق شاخص هاي ارزيابي دقت، صحت و فراخواني و امتياز F1 انجام شده است.نتايج: پس از مقايسه هاي تطبيقي بين مدل هاي پيشنهادي، مدل جنگل تصادفي مبتني بر بهينه ساز گرگ خاكستري با صحت پيش بيني 81/38%  به عنوان مدل نهايي انتخاب و معرفي شد.نتيجه گيري: نتايج حاصل از اين پژوهش نشان مي دهد كه استفاده از الگوريتم هاي تكاملي در كنار مدل هاي يادگيري ماشيني، مي تواند كارايي و صحت تشخيص بيماري ديابت و عوارض ناشي از آن را در بيش تر مواقع افزايش دهد.