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

طبقه بندی زیرگروه های سرطان وظیفه بسیار مهمی در تشخیص و پیش بینی سرطان هاست. در سال های اخیر، روش های یادگیری عمیق به همین دلیل محبوبیت قابل توجهی به دست آورده اند. بااین حال، تعیین ساختار شبکه عصبی دشوار است زیرا عملکرد شبکه عمیق تا حد زیادی به ساختار آن بستگی دارد. علاوه بر این، تعداد بالای ژن ها در مجموعه داده بیان ژن و عدم تعادل داده ها بین رده های مختلف تاثیر مستقیمی بر پیچیدگی و عملکرد مدل های طبقه بندی زیرگروه سرطان دارد. برای پرداختن به مشکل داده های نامتعادل، یک مدل شبکه عصبی پیچشی با استفاده از یک راهبرد حساس به هزینه برای افزایش دقت مدل در شناسایی رده های اقلیت پیشنهادشده است. از سوی دیگر، از سه تکنیک نسبت فیشر، مجموعه های ناهنجار و ترکیبی برای کاهش ژن ها در مرحله پیش پردازش استفاده شده است. در روش حساس به هزینه، ماتریس هزینه بر اساس توزیع رده ها ایجاد شده و سپس از این ماتریس در مرحله تابع هزینه شبکه پیچشی برای محاسبه میزان خطا استفاده شده است. دو مجموعه از مجموعه داده های سرطان برای ارزیابی روش پیشنهادی استفاده شده است. نتایج با استفاده از چهار معیار دقت، فراخوانی، صحت و F۱-Score مقایسه شده است. نتایج نشان می دهد که انتخاب ژن های 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 حدود۱۱%، ۱۰% ، ۱۸%، ۲۱%، به ترتیب برای دقت، فراخوانی، صحت و F۱-Score افزایش دهد.