یک رویکرد جدید مبتنی بر الگوریتم CatBoost و هوش مصنوعی تفسیرپذیر به منظور تشخیص بیماری کرونا بر اساس علائم بیماری

نویسندگان

1 استادیار گروه مهندسی کامپیوتر- دانشکده مهندسی برق و کامپیوتر دانشگاه سمنان

2 دانشکده مهندسی کامپیوتر- دانشگاه صنعتی امیرکبیر

3 دانشکده مهندسی برق و کامپیوتر- دانشگاه سمنان

doi
10.22075/jme.2023.29413.2385
چکیده

ویروس کرونا که در ماه دسامبر 2019 در شهر ووهان چین دیده شد و به سرعت در سراسر جهان شیوع پیدا کرد، همچنان یک تهدید مهم برای سلامت جهان به شمار می‌آید. علی‌رغم همه استراتژی‌های مورد استفاده برای مقابله با گسترش کویید-۱۹، هنوز به تدابیر بیشتری برای رفع پیامدهای ناشی از آن نیاز است. در این پژوهش برای تشخیص فرد مبتلا به کووید-۱۹ از ویژگی‌های بالینی افراد به عنوان داده‌های ورودی استفاده شده است که حاصل جمع‌آوری اطلاعات از پژوهش‌های مشابه است. همچنین از الگوریتمهای مختلفی شامل یادگیری ماشین بردار پشتیبان، رگرسیون لجستیک، k نزدیکترین همسایه (k=9)، بیز ساده، جنگل تصادفی، LightGBM، XgBoost و CatBoost استفاده شده که از میان آنها الگوریتمCatBoost ، با کسب حساسیت 97/97 درصد، دقت 72/97 درصد و صحت ۹۶/۹۶ درصد بهترین نتایج را از خود نشان داد. در این الگوریتم، برای تنظیم هر چه دقیقتر فوق‌پارامترها به منظور رسیدن به نتایج مطلوب از روش آزمون و خطا استفاده شده و از SHAP برای تفسیر نتایج و مشخص کردن تاثیر ویژگی‌ها بر خروجی الگوریتم استفاده گردیده است.