عنوان	تشخیص کم خونی چندکلاسه بامدلسازی گرافی بهبودیافته
نوع پژوهش	پایان نامه
کلیدواژه‌ها	کم‌خونی، یادگیری‌ماشین، مدل‌سازی گراف، فاصله گوور، پیش‌بینی پیوند، طبقه‌بندی چندکلاسه، داده‌های CBC
چکیده	کم‌خونی یکی از شایع‌ترین اختلالات خونی است که در اثر کاهش تعداد گلبول‌های قرمز یا غلظت هموگلوبین رخ داده و منجر به کاهش ظرفیت حمل اکسیژن در خون می‌شود. این بیماری با علائمی نظیر خستگی، ضعف و سرگیجه همراه بوده و شیوع بالاتری در گروه‌هایی مانند کودکان، نوجوانان دختر، زنان باردار و زنان در سنین باروری دارد. با توجه به در دسترس بودن داده‌های شمارش کامل خون (CBC) و ساختارمند بودن آن‌ها، بهره‌گیری از روش‌های یادگیری ماشین می‌تواند نقش مؤثری در تشخیص دقیق و سریع انواع کم‌خونی ایفا کند. در این پژوهش، یک چارچوب ترکیبی مبتنی بر یادگیری‌ماشین و مدل‌سازی گرافی با استفاده از فاصله گوور ارائه شده است که در آن بیماران به‌صورت گره و میزان شباهت میان آن‌ها به‌صورت یال‌های وزن‌دار مدل‌سازی می‌شود. برای ارزیابی روش پیشنهادی، از مجموعه‌داده Anemia Types Classification شامل 1281 نمونه و 9 کلاس استفاده گردید. در ابتدا، با محاسبه شباهت بین نمونه‌ها، گراف شباهت بیماران ایجاد شد و با اعمال آستانه، یال‌های ضعیف حذف گردید. سپس به‌منظور بازسازی ارتباطات حذف‌شده و کشف روابط پنهان، از روش‌های پیش‌بینی پیوند شامل RA، CN، AA، PA و JC استفاده شد و به‌ترتیب 5، 10 و 15‌درصد از یال‌ها بازیابی گردید. در ادامه، مجموعه‌ای از ویژگی‌های گرافی شامل Degree، Degree Centrality، Betweenness Centrality، Closeness Centrality، Eigenvector Centrality، PageRank و Clustering Coefficient استخراج و با ویژگی‌های اولیه داده‌ها ادغام شد. این مجموعه ویژگی غنی‌شده به الگوریتم‌های مختلف یادگیری‌ماشین ارائه گردید تا فرآیند تشخیص انجام شود. نتایج نشان داد که استفاده از ویژگی‌های گرافی و بهبود ساختار شبکه از طریق پیش‌بینی پیوند، تأثیر قابل‌توجهی در افزایش عملکرد مدل‌ها دارد؛ به‌طوری‌که مدل درخت تصمیم با دقت 99.6% بهترین عملکرد را در میان مدل‌های مورد بررسی ارائه کرد. این یافته‌ها نشان می‌دهد که ترکیب تحلیل‌های گرافی با یادگیری‌ماشین می‌تواند به‌عنوان یک رویکرد مؤثر، دقیق و قابل اتکا در تشخیص چندکلاسه انواع کم‌خونی مورد استفاده قرار گیرد و قابلیت به‌کارگیری در سیستم‌های پشتیبان تصمیم‌گیری پزشکی را دارا می‌باشد.
پژوهشگران	صادق سلیمانی (استاد راهنما)، فاطمه بیگ‌زاده (دانشجو)