صادق سلیمانی

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.