ارائه یک مدل بهبود یافته شبکه عصبی تجمیعی در طبقه بندی بیماران سرطان ریه

از میان انواع سرطان‌ها، سرطان ریه دارای بالاترین میزان مرگ و میر است. این مشکل ناشی از تشخیص ناحیه گره‌های موجود در بافت نرم ریه در مراحل اولیه می باشد. یکی از روش‌های متداول تشخیص ضایعات و گره‌های ریوی استفاده از شبکه عصبی بوده که تا به امروز مورد استفاده محققان زیادی قرار گرفته است. عملکرد شبکه عصبی وابستگی زیادی به معماری شبکه و الگوریتم یادگیری دارد. در این مقاله از یک مدل شبکه عصبی تجمیعی به همراه الگوریتم یادگیری تطبیقی در طبقه‌بندی و تشخیص بیماری سرطان ریه استفاده شده است. هدف اصلی از استفاده از شبکه عصبی تجمیعی، افزایش دقت طبقه‌بندی و بهبود تعمیم‌دهی شبکه عصبی به علت حساسیت در تشخیص بیماری سرطان ریه است. نرخ یادگیری نیز پارامتری مهم در همگرایی شبکه عصبی بوده و بسته به مقدار آن، دقت طبقه‌بندی نیز می‌تواند متفاوت باشد. نتایج این تحقیق نشان می‌دهد که مدل تجمیعی شبکه عصبی با آموزش 5 شبکه به همراه نرخ یادگیری تطبیقی، با بهبود 9/2% نسبت به شبکه عصبی استاندارد و رسیدن به دقت نهایی 3/94% در مقایسه با روش‌های پیشین موفق عمل کرده است.