فهرست نشریات علمی دسترسی آزاد ایران

 یکی از چالش های مهم در داده کاوی پزشکی، وجود پایگاه داده های نامتوازن، است. در اغلب موارد داده ها از  توزیع یکسانی برای آموزش طبقه بندها برخوردار نیستند و به‌طور ذاتی نمونه‌های یک کلاس نسبت به کلاس دیگر کمتر بوده و موجب بایاس شدن مدل یاگیر به سمت کلاس اکثریت می شود. این عدم توازن در تصاویر اشعه ایکس بیماری کرونا نسبت به تصاویر ذات الریه مشهود است. به‌طورکلی روش‌های حل مسائل نامتوازن به دو دسته نمونه‌گیری کاهشی و نمونه‌گیری افزایشی تقسیم می‌شوند. در این مقاله یک روش نمونه‌گیری افزایشی با استفاده از الگوریتم علف های هرز مهاجم ارائه‌شده است که رویکردی جدید را به منظور تولید نمونه در کلاس اقلیت معرفی می کند و عملکرد آن از نظر کارآمدی در طبقه بندی داده‌های نامتوازن کوید 19 مورد تحلیل و بررسی قرارگرفته‌ است. بدین منظور ابتدا، استخراج ویژگی های تصاویر X-ray کوید19 با استفاده از یادگیری عمیق و  سپس کاهش ابعاد ویژگی ها به روش PCA صورت گرفته و در نهایت، افزایش نمونه های مصنوعی در فضای ویژگی  توسط الگوریتم علف های هرز انجام شده است. نمونه‌های مصنوعی تولید شده  به همراه کلاس اقلیت مجموعه داده نهایی متوازن را تشکیل می‌دهند. نتایج مطالعه نشان‌دهنده عملکرد بهتر روش پیشنهادی می‌باشد.