شبکه های عصبی پیچشی حساس به هزینه برای طبقه بندی زیرگروه های سرطان

طبقه‌بندی زیرگروه‌های سرطان وظیفه بسیار مهمی در تشخیص و پیش بینی سرطان هاست. در سال‌های اخیر، روش‌های یادگیری عمیق به همین دلیل محبوبیت قابل‌توجهی به دست آورده‌اند. بااین‌حال، تعیین ساختار شبکه عصبی دشوار است زیرا عملکرد شبکه عمیق تا حد زیادی به ساختار آن بستگی دارد. علاوه بر این، تعداد بالای ژن‌ها در مجموعه داده بیان ژن و عدم تعادل داده‌ها بین رده‌های مختلف تاثیر مستقیمی بر پیچیدگی و عملکرد مدل‌های طبقه‌بندی زیرگروه سرطان دارد. برای پرداختن به مشکل داده‌های نامتعادل، یک مدل شبکه عصبی پیچشی با استفاده از یک راهبرد حساس به هزینه برای افزایش دقت مدل در شناسایی رده‌های اقلیت پیشنهادشده است. از سوی دیگر، از سه تکنیک نسبت فیشر، مجموعه‌های ناهنجار و ترکیبی برای کاهش ژن‌ها در مرحله پیش‌پردازش استفاده شده است. در روش حساس به هزینه، ماتریس هزینه بر اساس توزیع رده‌ها ایجاد شده و سپس از این ماتریس در مرحله تابع هزینه شبکه پیچشی برای محاسبه میزان خطا استفاده شده است. دو مجموعه از مجموعه داده‌های سرطان برای ارزیابی روش پیشنهادی استفاده شده است. نتایج با استفاده از چهار معیار دقت، فراخوانی، صحت و F1-Score مقایسه شده است. نتایج نشان می‌دهد که انتخاب ژن‌های مناسب و استفاده از یادگیری حساس به هزینه توانسته است عملکرد روش پیشنهادی را نسبت به مدل پیچشی بدون انتخاب ویژگی و یادگیری حساس به هزینه در حدود11%، 10% ، 18%، 21%، به ترتیب برای دقت، فراخوانی، صحت و F1-Score افزایش دهد.