Key points are not available for this paper at this time.
مقدمة: أصبح سرطان الدم مصدر قلق متزايد على مدار العقد الماضي، مما يستدعي التشخيص المبكر للعلاج الفعال وفي الوقت المناسب. الطريقة التشخيصية الحالية، التي تتضمن مجموعة من الاختبارات والخبراء الطبيين، مكلفة وتستغرق وقتًا طويلاً. لهذا السبب، من الضروري إنشاء نظام تشخيص تلقائي لتوقعات دقيقة. إحدى المجالات التي تركز عليها الأبحاث الطبية هي استخدام تعلم الآلة وبيانات جينات الميكروأري للوكيميا لتشخيص سرطان الدم. على الرغم من وجود الكثير من الأبحاث، إلا أن هناك حاجة إلى مزيد من التحسينات للوصول إلى مستويات دقيقة وفعالة مناسبة. تقدم هذه الدراسة خوارزمية تعلم آلة تحت الإشراف لتوقع سرطان الدم. تستخدم هذه الدراسة بيانات 22,283 جين من الميكروأري للوكيميا. يتم استخدام طرق اختيار ميزات Chi-squared (Chi2) وتقنية إعادة أخذ العينات SMOTE-Tomek للتغلب على المشكلات المرتبطة بمجموعة البيانات غير المتوازنة والعالية الأبعاد. لتحقيق التوازن في مجموعة البيانات لكل فئة هدف، تقوم SMOTE-Tomek بإنشاء بيانات صناعية، وتختار Chi2 أهم الميزات لتعليم نماذج التعلم من 22,283 جين. يتم اقتراح نموذج شبكة عصبية convolutional Weighted جديدة للتصنيف، تستفيد من دعم ثلاثة نماذج CNN منفصلة. لتحديد أهمية النهج المقترح، يتم إجراء تجارب واسعة على مجموعات البيانات، بما في ذلك مقارنة الأداء مع أكثر التقنيات تقدمًا. تُظهر شبكة CNN Weighted أداءً متفوقًا مقارنةً بالنماذج الأخرى عند دمجها مع تقنيات SMOTE-Tomek وChi2، محققة دقة ملحوظة تصل إلى 99.9%. تؤكد نتائج التحقق المتقاطع من k-fold مرة أخرى تفوق النموذج المقترح.
درس العبد القادر وآخرون (Sun,) هذا السؤال.