مروري بر جديد ترين روش ‌هاي انتخاب ويژگي در يادگيري عميق توسط الگوريتم هاي فرا ابتكاري براي داده هاي حوزه پزشكي

A review of the latest feature selection methods in deep learning by meta-heuristic algorithms for medical data

امروزه براي حل مسائل مختلف در دنياي محاسبات از تكنيك ‌هاي گوناگوني استفاده مي‌شود. الگوريتم هاي فرا ابتكاري قادر به ارائه راه حل هاي عملي هستند. با توجه به كارايي اين الگوريتم ها، داده هاي مراقبت هاي بهداشتي براي تشخيص بيماري ها نسبت به روش هاي سنتي كارايي بهتري دارند. يكي از كار هاي مهم در يادگيري ماشين انتخاب ويژگي است. كاهش ابعاد مجموعه ويژگي با حفظ دقت عملكرد، هدف اصلي مشكل انتخاب ويژگي است. روش هاي مختلفي براي طبقه بندي مجموعه داده ها ارائه شده است. اين مقاله يك مرور ادبياتي در حل مسئله انتخاب ويژگي با استفاده از الگوريتم‌ هاي فرا ابتكاري در سال هاي 2020-2023 ارائه مي ‌كند. هدف اصلي اين مطالعه ارائه مشاركت محققان با نشان دادن روش ‌شناسي آن ها براي پيش‌بيني بيماري‌ ها با استفاده از تكنيك‌ هاي فرا ابتكاري است. در اين مقاله الگوريتم‌ هاي مبتني بر روش ‌هاي هوش جمعي بررسي شده است. الگوريتم هاي فرا ابتكاري در حل مسئله انتخاب ويژگي بر اساس معماري مورد استفاده، نوع بيماري، اهداف و محدويت هاي آن ها بررسي شده اند. انتظار مي‌رود ارايه يك نماي كلي از انواع روش هاي مختلف همراه با مزايا و معايب آن ‌ها، محققان را به بررسي روش ‌هاي پيشرفته‌ تر تشويق كند. همچنين ارائه راهنمايي براي متخصصان در انتخاب روش ‌هاي مناسب مورد استفاده در سناريو هاي دنياي واقعي باشد و محدوديت ‌ها و مسائل بالقوه براي تحقيقات آينده را مورد بحث قرار دهد.

Today, various techniques are used to solve various problems in the computing world. Meta-heuristic algorithms are able to provide practical solutions. Due to the efficiency of these algorithms, health care data are more efficient than traditional methods for diagnosing diseases. One of the important tasks in machine learning is feature selection. Reducing the dimensionality of the feature set while maintaining the performance accuracy is the main goal of the feature selection problem. Various methods have been presented to classify the data set. This article presents a literature review in solving the problem of feature selection using meta-heuristic algorithms in the years 2020-2023. The main purpose of this study is to present the contribution of researchers by showing their methodology to predict diseases using meta-inventory techniques. In this article, algorithms based on collective intelligence methods have been reviewed. Meta-heuristic algorithms in solving the problem of feature selection based on the used architecture, type of disease, goals and their limitations have been investigated. It is expected that providing an overview of different types of methods along with their advantages and disadvantages will encourage researchers to investigate more advanced methods. It also provides guidance for practitioners in selecting appropriate methods to be used in real-world scenarios and discusses potential limitations and issues for future research.