كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / دوازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

چارچوب تصمیم گیری ترتیبی مبتنی بر یادگیری ماشین و فرآیند تصمیم مارکوف با مشاهده پذیری جزئی برای بهینه سازی هزینه زمانی تشخیص بالینی

نویسندگان :

پارسا قره داغی¹ نفیسه صدقی²

1- دانشگاه صنعتی شریف 2- دانشگاه صنعتی شریف

کلمات کلیدی :

فرآیند تصمیم مارکوف با مشاهدهپذیری جزئی،کسب ترتیبی ویژگی،یادگیری ماشین،پشتیبانی تصمیم بالینی،ریسک نامتقارن،مولتیپل اسکلروزیس

چکیده :

مدلهای یادگیری ماشین در حوزه پزشکی علیرغم گزارش صحت پیشبینی بالا، بهندرت در جریان کاری بالینی ادغام میشوند. ریشه این شکاف در ایستا بودن الگوریتمهای متعارف است؛ چرا که فرض میکنند تمامی ویژگیهای تشخیصی همزمان در دسترس هستند و هزینههای زمانی، مالی و اجرایی آزمونهای تخصصی را نادیده میگیرند. این مقاله چارچوبی پویا، ترتیبی و حساس به هزینه زمانی معرفی میکند که فرآیند تصمیمگیری پزشکان را بازتاب دهد. چارچوب پیشنهادی با تلفیق فرآیند تصمیم مارکوف با مشاهدهپذیری جزئی و بانکی از مدلهای طبقهبند مجزا که هر یک بر زیرمجموعهای متفاوت از ویژگیها آموزش دیدهاند، در هر گام کاهش موردانتظار عدمقطعیت تشخیصی را در برابر هزینه زمانی کسب اطلاعات تازه میسنجد. ارزیابی روی مجموعهداده تبدیل سندرم بالینی منفرد به مولتیپل اسکلروزیس (273 بیمار و 9 آزمون پزشکی) و روی 10 تقسیم طبقهبندیشده مستقل انجام شد. چارچوب با درخواست میانگین 4.8 آزمون از 9، میانگین هزینه زمانی مدلشده کسب آزمونها را از 152.0 به 59.4 ساعت کاهش داد (61 درصد صرفهجویی) و همزمان به صحت 79.51 و حساسیت 83.68 درصد رسید که از نظر آماری با مدل ایستای تمامآزمون در همان نقطه کار تمایزناپذیر است و ویژگی آن 2.05 واحد بهتر است. تحلیل حساسیت وزنهای ریسک، مرز کارایی را ترسیم میکند که بر خطوط پایه ایستا برتری دارد. نتایج نشان میدهد تبدیل طبقهبندهای ایستا به سیستمهای تصمیمگیری پویا و حساس به زمان، بدون قربانیکردن کیفیت تشخیص، گامی کلیدی در عملیاتیسازی یادگیری ماشین در تشخیص بالینی است.