پیش‌بینی نتایج تکنیکهای کمک باروری با استفاده از روشهای هوش مصنوعی را شرح دهید .
پیش‌بینی نتایج تکنیکهای کمک باروری با استفاده از روشهای هوش مصنوعی را شرح دهید .
پیش‌بینی نتایج تکنیکهای کمک باروری با استفاده از روشهای هوش مصنوعی را شرح دهید .
فناوری های کمک باروری (ART) پیشرفت های اخیر در درمان ناباروری است. با این حال ، افزایش قابل توجهی در میزان بارداری با کمک ART وجود ندارد. فرآیند پرهزینه و پیچیده ART ، آنها را به عنوان موضوعات چالش برانگیز معرفی می کند. مدل های پیش بینی محاسباتی می توانند نتیجه درمان را پیش از شروع چرخه ART پیش بینی کنند.
هدف:
این بررسی مروری بر مدلهای پیش بینی مبتنی بر یادگیری ماشین در ART را ارائه می دهد.
مواد و روش ها:
این مقاله براساس مرور ادبیات از طریق جستجوی پایگاه های علمی مانند PubMed ، Scopus ، Web of Science و Google Scholar اجرا شد.
نتایج:
ما 20 مقاله را در مورد مدل های پیش بینی مبتنی بر یادگیری ماشین در تنظیمات IVF یا ICSI شناسایی کردیم. تمام مدلها فقط با اعتبارسنجی داخلی تأیید شدند. بنابراین ، اعتبارسنجی خارجی مدلها و تجزیه و تحلیل تأثیر آنها قسمتهای از دست رفته همه مطالعات بود.
نتیجه:
مدل های پیش بینی مبتنی بر یادگیری ماشینی ابزاری برای تصمیم گیری بالینی برای پزشکان و بیماران فراهم می کند و منجر به بهبود در میزان موفقیت ART می شود.
واژه های کلیدی: فناوری کمک باروری (ART) ، ناباروری ، یادگیری ماشین ، الگوریتم های محاسبات ، مدل پیش بینی
قابل اعتماد و متخصص:
1. معرفی
ناباروری به عنوان عدم دستیابی به بارداری پس از 12 ماه رابطه غیر محافظت شده تعریف می شود ( 1 ). طبق سازمان جهانی بهداشت (WHO) ، “ناباروری بیماری است که به عنوان اختلال در عملکرد ، ناتوانی ایجاد می کند” ( 2 ). ناباروری بیش از 186 میلیون زوج را در سراسر جهان تحت تأثیر قرار داده است که اکثر آنها از درمان مناسب در کشورهای در حال توسعه محروم هستند. بنابراین ، ناباروری به عنوان رایج ترین مشکل بهداشت جهانی شناخته می شود ( 3 ). روش های مختلفی برای انجام درمان ناباروری وجود دارد ، مانند تغییر شیوه زندگی ، دارو درمانی ، روش های جراحی و فن آوری های کمک باروری (ART) ( 4 ). ART فن آوری های پیشرفته ای است اما میزان موفقیت ART در کل کمتر از 30٪ است ( 5) ART شامل چندین مرحله پیچیده ، زمان بر (بیش از تقریباً دو هفته) گران و ناامیدکننده برای زوجین نابارور است ( 6 ، 7 ). در مقابل تصور عمومی ، ART موفقیتی به شما اعطا نمی کند. با وجود چرخه های ART متعدد ، 38-49٪ زوجین نابارور باقی می مانند ( 8 ). بنابراین لازم است که زوجین نابارور از احتمال موفقیت به خوبی آگاه شوند. خانواده ها باید با توجه به شانس موفقیت ، بار مالی ، خطرات جسمی و عاطفی ، حاملگی های متعدد و روند پیچیده درمان ، در مورد ART به عنوان یک درمان تصمیم بگیرند ( 7 ، 8 ).
پیش بینی قابل اطمینان از نتیجه ART یک چالش قابل توجه است ( 9 ). پزشکان قادر به پیش بینی صحیح نتیجه درمان نیستند و یک توافق ضعیف بین آنها در تصمیمات درمانی و برآورد احتمال بارداری وجود دارد ( 10 ).
برای غلبه بر این مشکلات و ارائه دقیق پیش بینی خاص بیمار از بارداری ، استفاده از مدل های پیش بینی محاسباتی راه حل های ممکن است. مدل های پیش بینی بالینی روش های تحلیلی هستند که تأثیر پیش بینی اطلاعات مختلف مرتبط را کشف می کنند و در نتیجه نتایج درمان را با سطح اطمینان قابل توجهی تخمین می زنند. مدل های پیش بینی با پارامترهای شخصی بیمار و سایر متغیرهای خاص چرخه ART موثر تغذیه می شوند ( 8 ، 11 ، 12 ).
قابل اعتماد و متخصص:
2. هدف
هدف از این مطالعه ارائه نمای کلی از مدل های پیش بینی موجود در ART ، با استفاده از مجموعه ویژگی های متنوع و الگوریتم های مختلف یادگیری ماشین است. در ابتدا انواع مختلفی از تکنیک های ART شرح داده شده و سپس چندین مرحله از توسعه پیش بینی توصیف شده است. تمرکز این مطالعه بر روی تکنیک های یادگیری ماشین است که در درمان ART در سه مرحله استفاده می شود: ( 1 ) مجموعه داده های مختلف مورد استفاده در پیش بینی نتیجه ART از نظر مشخصات بالینی ، پارامترهای چرخه ART ، و همچنین داده های جنینی ، ( 2 ) الگوریتم های مختلف یادگیری ماشین موجود برای ساخت یک مدل محاسباتی ، و ( 3) مدل های پیش بینی که در ادبیات برای پیش بینی نتیجه ART استفاده می شود. سرانجام ، ما اصول اساسی را نتیجه می گیریم که می تواند برای ارزیابی انتقادی ادبیات مربوط به مدل های پیش بینی در ART مورد استفاده قرار گیرد.
قابل اعتماد و متخصص:
3. روش ها
این مقاله براساس مرور ادبیات از طریق جستجوی پایگاه های الکترونیکی علمی مانند PubMed ، Scopus ، Web of Science و Google Scholar اجرا شد. ما مقالاتی را که فقط چکیده آنها موجود بود و به زبان غیر انگلیسی منتشر شده بود ، کنار گذاشتیم. برای جستجوی الکترونیکی ساخت یافته ، استراتژی جستجو با استفاده از کلمات کلیدی مانند ، فن آوری کمک باروری (ART) ، لقاح آزمایشگاهی ، ناباروری ، یادگیری ماشین ، الگوریتم های محاسباتی و مدل های پیش بینی شکل گرفت.
قابل اعتماد و متخصص:
4. نتایج
4.1 تکنیک های ART
روشهای ART که به عنوان تخمکهای انسانی ، اسپرم و جنین تعریف می شوند ، در شرایط آزمایشگاهی با هدف ایجاد حاملگی بالینی انجام می شوند ( 6 ). لقاح آزمایشگاهی (IVF) و تزریق اسپرم درون سیتوپلاسمی (ICSI) دو روش مشهوری هستند که به طور گسترده در میان ART استفاده می شوند ، که تقریباً مراحل مشابهی دارند ( 7) چرخه درمان ART معمولاً مانند موارد زیر است: اول ، با تحریک کنترل شده تخمدان ناشی از دارو برای تولید چندین تخمک بالغ شروع می شود. برای انجام این کار ، از گنادوتروپین ها مانند گنادوتروپین یائسگی انسان (HMG) و هورمون محرک فولیکول (FSH) برای تحریک تخمک گذاری در پروتکل های مختلف استفاده می شود. همچنین ، گنادوتروپین جفتی انسانی (HCG) به عنوان محرک تخمک گذاری برای تحریک بلوغ نهایی تخمک برای بازیابی تخمک استفاده می شود. پس از بازیابی تخمک از تخمدان های زن ، اسپرم و تخمک در شرایط آزمایشگاهی بارور می شوند. این مرحله در ICSI با تزریق اسپرم منتخب در سیتوپلاسم تخمک اجرا می شود. بنابراین ، ICSI یک راه حل درمانی مناسب در ناباروری شدید فاکتورهای مردانه ، مانند آزواسپرمی است ( 13)) بعداً ، جنینهای حاصل از آن شکل گرفته و در خارج از بدن کشت داده می شوند و تا مرحله شکاف یا بلاستوسیست رشد می کنند. سرانجام ، جنین های زنده انتخاب و به رحم زن منتقل می شوند ( 6 ، 14 ). به این زیر فرآیند انتقال جنین (ET) گفته می شود. ET مهمترین مرحله در ART است ، زیرا جنینهای انتخاب شده برای افزایش احتمال کاشت حیاتی هستند. ET شامل چندین پارامتر ، استراتژی ، تکنیک کاملاً ذهنی و براساس تجربه جنین شناس است ( 15 ). تمام جنبه های ذکر شده برای تخمین میزان موفقیت ART بسیار مهم و م effectiveثر هستند ( 16 ).
4.2 فنون محاسباتی
در این بخش ، ما چگونگی توسعه مدل های پیش بینی را با استفاده از روش های مختلف یادگیری ماشین و محاسبات در ART ، در سه مرحله بحث می کنیم (شکل 1)
شکل 1.
سه مرحله از توسعه مدل پیش بینی توسط تکنیک های یادگیری ماشین
مرحله 1: مجموعه داده های ART
به منظور کشف موفقیت آمیز دانش در پایگاه های اطلاعاتی (KDD) ، باید روشهای کاملاً مشخص و رسمی برای مدیریت داده ها به کار گرفته شود. فرآیند استاندارد بین صنعت برای داده کاوی (CRISP-DM) یک روش استاندارد است ، که شامل شش مرحله است: 1) درک دامنه مشکل ، 2) درک داده ها ، 3) آماده سازی داده ها ، 4) مدل سازی ، 5) ارزیابی و 6) استقرار (با استفاده از دانش کشف شده) ( 17 ، 18 ).
ساخت مجموعه داده با فرآیند ورود اطلاعات سوابق پزشکی و پیش پردازش داده ها دنبال می شود. پیش پردازش داده ها یکی از مهمترین مراحل مهم در موفقیت تکنیکهای یادگیری ماشین است ( 19 ). هدف از این مرحله ساخت مجموعه داده نهایی از مجموعه داده اولیه خام به عنوان ورودی مطلوب به الگوریتم های مدل سازی است ( 17 ).
آماده سازی داده ها با تمیز کردن داده ها ، کنترل مقادیر از دست رفته ، داده های دور و استفاده از روش های نرمال سازی انجام می شود. مقادیر از دست رفته ویژگی های عددی با میانه جایگزین می شوند و ویژگی های اسمی با حالت ویژگی متناظر آنها پر می شوند ( 20) آماده سازی داده ها نیز با الگوریتم های انتخاب ویژگی (FS) و رتبه بندی تکمیل می شود. در این مرحله ، پس از استخراج ویژگی از رهنمودهای عمل بالینی ، مقالات و نظرات متخصصان ، با استفاده از الگوریتم های FS ، مجموعه ویژگی های نهایی به عنوان پیش بینی های بالقوه برای نتیجه ART در حال ساخت است. الگوریتم های FS برای شناسایی ویژگی هایی که نقش پیش بینی کننده مهمی دارند ، استخدام می کنند. این تکنیک ها محتوای مجموعه ویژگی های اولیه را تغییر نمی دهند ، فقط زیرمجموعه ای از آنها را انتخاب می کنند. هدف از انتخاب ویژگی کمک به ایجاد مدل های بهینه و هزینه ای برای افزایش عملکرد پیش بینی است. تکنیک های مختلف FS وجود دارد ، از جمله ، تکنیک های فیلتر (افزایش اطلاعات ، نسبت سود و غیره) که از آنها برای انتخاب و رتبه بندی تعداد بهینه ویژگی ها استفاده می شود. این الگوریتم ها به هر ویژگی امتیاز می دهند و سپس بر اساس عملکرد برتر مدل های پیش بینی ،21 )
گزارش پیش بینی های بالقوه در ادبیات بدون استفاده از همان مجموعه ویژگی های اولیه و دسته ها ، منجر به تفسیر و مقایسه نتیجه دشوار می شود ( 22 ). بنابراین ، در این مطالعه ما متغیرهای مختلف را به زیر گروه ها تقسیم می کنیم (یعنی اطلاعات بالینی و جمعیتی مربوط به بیمار ، آسیب شناسی زن / مرد ، تحریک تخمک و مورفولوژی ، تجزیه و تحلیل منی ، داده های جنین شناسی و آزمایشات آزمایشگاهی) که در پیش بینی نتیجه ART نقش دارند.میز 1، ویژگی های مجموعه داده های بررسی شده در 20 مطالعه را نشان می دهد.
میز 1.
شرح مجموعه داده های بررسی شده در ادبیات. * این مطالعه مدل های پیش بینی را در سه هدف ارائه داده است: 1) پیش بینی درجه 2PN ، 2) پیش بینی کیفیت جنین ، و 3) پیش بینی بارداری.
مطالعه
تعداد سوابق
تعداد ویژگی ها
انتخاب ویژگی
داده های بالینی و جمعیتی مربوط به بیمار
داده های آسیب شناسی زنان
داده های تحریک تخمک و مورفولوژی
داده های آسیب شناسی مردان
داده های تجزیه و تحلیل مایع منی
داده های جنین شناسی
تست های آزمایشگاهی
ویژگی نمره بالا
کافمن و همکاران (1997) ( 24 )
455
14
آره
آره
آره
آره
نه
آره
آره
نه
سن
جوریسیکا و همکاران (1998) ( 31 )
788
55
آره
آره
آره
آره
نه
آره
آره
آره
یک سری از سطح E2
Kim and Jung (2003) ( 25 )
269
8
آره
آره
آره
آره
آره
آره
آره
آره
سن زن
پاسمور و همکاران (2003) ( 32 )
325
حداکثر = 53
دقیقه = 6
آره
آره
نه
آره
نه
نه
آره
آره
دوز نهایی FSH
والد و همکاران (2005) ( 26 )
113
4
آره
آره
نه
نه
آره
آره
نه
نه
سن مادر
مورالس و همکاران (2008) ( 15 )
63
20
آره
آره
نه
نه
نه
آره
آره
نه
اندازه بلاستومر جنین
لیندا و همکاران (2008) ( 33 )
152
17
آره
آره
نه
آره
نه
نه
آره
نه
مدت زمان ناباروری
Chen et al. (2009) (34)
654
10
Yes
Yes
No
Yes
No
No
Yes
No
Not mentioned.
Nanni et al. (2010) (35)
62
10
Yes
Yes
Yes
No
No
No
No
No
Sub-endometrial VI
Guh et al. (2011) (18)
5275
67
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Age
Corani et al. (2013) (9)
388
7
Yes
Yes
No
No
No
No
Yes
No
Age
Durairaj and Ramasamy (2013) (36)
250
27
Yes
Yes
Yes
Yes
Yes
Yes
Yes
No
Unexplained factor of Female Pathology
Malinowski et al. (2013) (23)
1995
26
No
Yes
Yes
Yes
No
Yes
Yes
Yes
None
Uyar et al. (2014) (27)
3898
18
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Age of female
Güvenir et al. (2015) (12)
1456
64
Yes
Yes
Yes
No
Yes
Yes
No
Yes
Laparoscopic_Surgery
Chen et al. (2016) (28)
871
13
Yes
Yes
Yes
No
Yes
No
Yes
No
Maternal age
Mirroshandel et al. (2016) (37)*
219
1) 13
2) 14
3) 15
آره
آره
نه
نه
آره
آره
آره
آره
1) FSH
2) درجه 2PN
3) درجه جنین
حافظ و همکاران (2017) ( 7 )
486
29
آره
آره
آره
آره
نه
آره
آره
آره
سن زن
بلانک و همکاران (2018) ( 30 )
1052
32
آره
آره
آره
آره
آره
آره
آره
آره
بارداری
حسن و همکاران (2018) ( 29 )
1048
25
آره
آره
آره
آره
آره
آره
آره
آره
سن
در یک پنجره جداگانه باز کنید
همه این مطالعات ، به جز یکی از آنها ( 23 ) ، تکنیک های انتخاب ویژگی را در مجموعه داده های خود انجام داده اند. ویژگی سن زن مهمترین ویژگی در بسیاری از مطالعات (یعنی 9 مطالعه) مطالعات پیش بینی مبتنی بر یادگیری ماشین در مورد نتیجه ART است ( 7 ، 9 ، 18 ، 24 – 29 ). حداکثر تعداد ویژگی ها 64 مورد ( 12 مورد ) و حداقل تعداد ویژگی ها چهار مورد ( 26 مورد ) بود که در مطالعات مدل سازی پیش بینی ART استخدام شدند. طبق همه مقالات موجود در مدل پیش بینی ART ، در پنج مقاله از مجموعه ویژگی های جامع تری استفاده شده استمیز 1( 18 ، 25 ، 27 ، 29 ، 30 ).
مرحله 2: مدل سازی پیش بینی
برای توسعه مدل های پیش بینی دقیق تر با ظرفیت عملکرد بالا ، می توان از تکنیک های پیشرفته محاسباتی و روش های داده کاوی استفاده کرد ( 28 ). تمرکز تکنیک های یادگیری ماشین و داده کاوی (DM) بر توسعه مدل سازی پیش بینی رایانه ای و کارآمد با کاوش در الگوهای پنهان و ناشناخته در داده ها برای کشف دانش با دقت بالا است. با این حال ، روش های آماری متداول در مدل های از پیش تعریف شده ( 11 ، 28 ، 39 ) جای می گیرد.
هدف از یادگیری ماشینی ، طراحی و توسعه مدل های پیش بینی است ، با اجازه دادن به رایانه برای حل یک مسئله خاص از داده ها یا تجربه ( 40 ). امروزه ، روند فزاینده ای برای استفاده از یادگیری ماشینی در زمینه های مختلف بهداشت و درمان وجود دارد ( 41 ). یک کاربرد عملی یادگیری ماشین در صنعت پزشکی ، سیستم های پشتیبانی تصمیم گیری بالینی (CDSS) است که به تعیین دقیق برنامه درمانی کمک می کند ( 42 ).
رویکردهای یادگیری ماشینی دو نوع عمده دارد: (1) یادگیری تحت نظارت و (2) یادگیری بدون نظارت. در یادگیری تحت نظارت ، مجموعه داده های آموزش دارای برچسب هستند. هدف الگوریتم های یادگیری نظارت شده پیش بینی مقدار متغیر هدف است. بنابراین ، یادگیری نظارت شده برای مدل سازی پیش بینی تنظیم می شود. معمولاً الگوریتم های یادگیری ماشین که الگوریتم های طبقه بندی نامیده می شوند مربوط به این دسته هستند. با شناسایی الگوهای اساسی با داده های بدون برچسب ، از یادگیری بدون نظارت در مدل سازی توصیفی و داده های بدون برچسب استفاده می شود. قوانین خوشه بندی و تداعی معمولاً الگوریتم های یادگیری بدون نظارت هستند.
آشنا ترین الگوریتم های طبقه بندی ماشین های بردار پشتیبانی (SVM) ، شبکه عصبی (NN) ، k-نزدیکترین محله (kNN) ، خلیج های ساده لوح (NB) ، جنگل تصادفی (RF) و درخت تصمیم (DT) هستند که معمولاً برای توسعه استفاده می شوند مدل های پیش بینی در ادامه این مقاله ، ما این الگوریتم ها را در مطالعات مربوط به پیش بینی نتیجه ART بررسی خواهیم کرد. علی رغم کارایی رویکردهای یادگیری ماشین به عنوان تکنیک های محاسباتی برای پیش بینی نتیجه درمان ART ، تعداد کمی از مطالعات در این زمینه وجود دارد ( 27 ) ، مطالعات با جنبه های کامل داده های ART و تعداد کافی متغیرهای موثر نادر است ( 28 ، 43 )
در این مطالعه ، ما یک نمای کلی از مدل های پیش بینی در ART ارائه می دهیم. جستجوی ما 20 مطالعه را که از الگوریتم های یادگیری ماشین تحت نظارت در تنظیمات IVF یا ICSI استفاده می شوند بازیابی کرد. ویژگی های مدل های پیش بینی در این مقاله در خلاصه شده استجدول 2. روشهای آماری در پیش بینی نتیجه ART مناسب نیستند ( 11 ) سپس در این مقاله رویکردهای آماری حذف می شوند.
جدول 2
ویژگی های مدل های پیش بینی مبتنی بر یادگیری ماشین در ART.
مطالعه
تکنیک)
روش ART
هدف (نتیجه)
اعتبار سنجی خارجی
کافمن و همکاران (1997)
شبکه های عصبی مصنوعی (ANN)
IVF
بارداری
نه
جوریسیکا و همکاران (1998)
استدلال مبتنی بر مورد (CBR)
IVF
بارداری
نه
Kim and Jung (2003)
شبکه بیزی
IVF
بارداری
نه
پاسمور و همکاران (2003)
C5.0 درخت تصمیم
IVF
بارداری
نه
والد و همکاران (2005)
شبکه عصبی گره 4 پنهان
ICSI / IVF
حاملگی داخل رحمی
نه
مورالس و همکاران (2008)
طبقه بندی بیزی
IVF
کاشت جنین
نه
لیندا و همکاران (2009)
شبکه بیزی
IVF
بارداری مداوم
نه
چن و همکاران (2009)
PSO ، درخت تصمیم J48 ، Naïve Bayes ، Bayes Net ، MLP ANN
ICSI / IVF
بارداری
نه
نانی و همکاران (2010)
SVM ، NN ، DT
ICSI
بارداری
نه
Guh و همکاران (2011)
الگوریتم ژنتیک و درخت تصمیم
ICSI
بارداری
نه
کوران و همکاران (2013)
شبکه بیزی
IVF
بارداری
نه
Durairaj and Ramasamy (2013)
MLP ANN
IVF
بارداری
نه
مالینوفسکی و همکاران (2013)
ANN
IVF / ICSI
بارداری
نه
اویار و همکاران (2014)
NB ، KNN ، SVM ، DT ، MLP ، شبکه عملکرد شعاعی
IVF / ICSI
کاشت
نه
اعتماد و همکاران (2015)
NB و RF
IVF
بارداری بالینی
نه
چن و همکاران (2016)
رگرسیون لجستیک چند متغیره (LR) و خطوط رگرسیون تطبیقی چند متغیره (MARS)
IVF / ICSI
بارداری بالینی
نه
Mirroshandel و همکاران (2016)
NB ، SVM ، MLP ، IBK ، KStar ، کیسه گذاری (KStar) ، کمیته تصادفی ، J48 ، RF
ICSI
1) پیش بینی درجه 2PN
2) پیش بینی کیفیت جنین
3) پیش بینی بارداری بالینی (آزمایش بتا)
نه
حافظ و همکاران (2017)
SVM ، RPART ، RF ، Adaboost ، 1NN
IVF / ICSI
کاشت
نه
بلانک و همکاران (2018)
RF
IVF / ICSI
بارداری در حال انجام
نه
حسن و همکاران (2018)
MLP ، SVM ، C4.5 ، CART ، RF
IVF
بارداری
نه
در یک پنجره جداگانه باز کنید
مرحله 3: پیش بینی و ارزیابی
ارزیابی مدل گام مهمی در CRISP-DM است. در این مرحله ، پس از توسعه مدل پیش بینی بر اساس داده های آینده ، عملکرد مدل باید برای داده های غیب ارزیابی شود تا برای تنظیمات دنیای واقعی اعتبار سنجی شود ( 44) روند اعتبارسنجی مدل به اعتبار سنجی داخلی و خارجی تقسیم می شود. اعتبارسنجی داخلی که قبل از اعتبارسنجی خارجی است ، به ارزیابی عملکرد مدل در همان مجموعه داده ای که مدل در آن توسعه یافته است ، اشاره دارد. این نوع اعتبارسنجی منجر به خوش بینی بیش از حد در مورد قدرت مدل در پیش بینی نتیجه می شود. در مقابل ، اعتبار خارجی ارزیابی مدل پیش بینی در جمعیت و تنظیمات مختلف است. اعتبار سنجی خارجی قابلیت تعمیم پذیری و قابلیت حمل مدل را پشتیبانی می کند. تعمیم یک مدل منجر به غلبه بر چالش های تغییر داده با گذشت زمان شد ، زیرا این مدل می تواند در کلینیک های مختلف با انطباق از مشخصات و پارامترهای خاص کلینیک کار کند و به راحتی به بسیاری دیگر منتقل شود.
مطابق با جدول 2، هیچ یک از مدل های پیش بینی نتیجه ART به صورت خارجی تأیید نشد. این مدل ها فقط با اعتبار داخلی بررسی می شوند.
در روش های یادگیری ماشین ، فرایند پیش بینی به دو نوع داده نیاز دارد: آموزش و آزمایش داده ها. بیشتر داده های ورودی (یعنی تقریباً 80٪ مجموعه داده ها) در مجموعه آموزش قرار می گیرند و داده های باقیمانده را مجموعه آزمایش می نامند. مجموعه آموزش برای الگوریتم های تولید مدل و آموزش استفاده می شود ، در حالی که مجموعه آزمون آن را تأیید می کند. یک روش ارزیابی استاندارد برای ارزیابی عملکرد مدل ضروری است. تکنیک های مختلفی برای ارزیابی عملکرد مدل پیش بینی وجود دارد ، مانند نمونه گیری تصادفی ، بوت استرپینگ ، تقسیم ساده (توقف) و اعتبار صحیح ضربدر k (برابر 45)) متداول ترین روش ، اعتبارسنجی متقابل k برابر در مطالعات است. در اعتبارسنجی متقابل k (برابر عمدتا k = 10) ، مجموعه داده به طور تصادفی به 10 زیر مجموعه با اندازه برابر تقسیم می شود و مدل 10 بار آموزش و آزمایش می شود. هر بار ، یکی از 10 زیر مجموعه به عنوان مجموعه اعتبار سنجی برای آزمایش مدل و 9 زیر مجموعه باقیمانده برای تشکیل یک مجموعه داده آموزش استفاده می شود. در نهایت ، 10 نتیجه آزمایش به طور متوسط ارائه می شود تا یک تخمین واحد برای مدل ارائه شود.
معیارهای طلایی معیارهای ارزیابی عملکرد برای مدل سازی پیش بینی وجود دارد. در طبقه بندی یادگیری ماشین ، اندازه گیری عملکرد اساسی ماتریس سردرگمی است. این جدول کلاسهای پیش بینی شده و واقعی را نشان می دهد (شکل 2)
شکل 2.
یک ماتریس سردرگمی ساده
متداولترین پارامترهای ارزیابی استاندارد یادگیری ماشین بر اساس مقادیر منفی واقعی (TN) ، مثبت واقعی (TP) ، مثبت کاذب (FP) و منفی کاذب (FN) محاسبه می شوند که در زیر شرح داده شده است.
دقت (ACC): درصد کلاس مثبت و منفی به درستی پیش بینی شده است:
NPV =T N(T N + F N )× 100
حساسیت (SN): درصدی از کلاس مثبت که به درستی پیش بینی شده است:
NPV =T N(T N + F N )× 100
ویژگی (SP): درصدی از کلاس منفی که به درستی پیش بینی شده است:
NPV =T N(T N + F N )× 100
ضریب همبستگی Matthews (MCC): این مقدار از -1 برای بدترین پیش بینی تا 1+ برای پیش بینی دقیق متغیر است. صفر پیش بینی تصادفی را نشان می دهد:
NPV =T N(T N + F N )× 100
ارزش پیش بینی دقیق یا مثبت (PPV):
NPV =T N(T N + F N )× 100
ارزش پیش بینی منفی (NPV):
NPV =T N(T N + F N )× 100
F-size: این پارامتر ارزیابی ترکیبی از دقت و فراخوان است:
F _نمره =پR الکترونیکی ج من بازدید کنندگان من O N × R الکترونیکی ج L L(پr e c i s i o n + R e c a l l )× 100
ناحیه زیر منحنی (AUC): این پارامتر ارزیابی منطقی برای عملکرد مدل است. مقدار آن از 0 تا 1 است ، جایی که 1 نشان دهنده بهترین عملکرد و 0 بدترین عملکرد است. AUC = 0.5 هنگام استفاده از رتبه بندی تصادفی.
منطقه زیر منحنی ROC (AUC) ، نقشی محوری در ارزیابی مدل های پیش بینی دارد و یک معیار عملکرد قابل اعتماد و محبوب برای ارزیابی کیفیت الگوریتم های طبقه بندی در روش های یادگیری ماشین است ( 12 ). مقدار بالای AUC قابلیت اطمینان مدل پیش بینی را نشان می دهد.
قابل اعتماد و متخصص:
5. نتیجه گیری
استفاده از رویکردهای محاسباتی ، یعنی مدل های پیش بینی مبتنی بر یادگیری ماشین ، می تواند میزان بارداری را پس از درمان های ART افزایش دهد. همچنین ، این مدل های هوشمند در ارائه ابزار پشتیبانی تصمیم بالینی به پزشکان بالینی و زوجین نابارور مزیت امیدوار کننده ای دارند تا قبل از روش درمانی به خوبی از احتمال موفقیت آگاه شوند. بنابراین ، بررسی مدلهای موجود در پیش بینی نتیجه ART برای شناسایی تأثیر آنها در محیطهای واقعی ضروری است. این مطالعه از طریق گام به گام بررسی مراحل توسعه مدل های پیش بینی به این موضوع پرداخته است. در این بررسی ، ما 20 مدل پیش بینی در درمان های ART را شناسایی کردیم. اعتبار خارجی مدل ، قسمت گمشده در تمام مطالعات بود. بنابراین ، تأثیرات آنها هنوز برای هیچ یک از کاربردها تجزیه و تحلیل نشده است.
اجرای پروژه های تخصصی هوش مصنوعی با مشاوره رایگان سلول پیشتاز
منبع : www.ncbi.nlm.nih.gov
ثبت نام
با ایمیل خود وارد شویدورود
