بهبود دقت طبقه بندی بافت های سرطانی با بهره گیری از تئوری گراف

پردازش داده های ریزآرایه یکی از مهم ترین موضوعات در زیست شناسی مولکولی برای تشخیص سرطان است. پیشرفت فناوری در دهه اخیر، رشد داده های ریزآرایه ای با ابعاد بالا را افزایش داده است. بنابراین، روش های داده کاوی باید داده های ریزآرایه با نمونه هایی متشکل از هزاران ژن را طبقه بندی کنند، که ریسک موفقیت را افزایش می دهد. از سوی دیگر، بسیاری از این ژن ها غیرمرتبط و زائد هستند. بنابراین، تعیین ژن های دربردارنده اطلاعت و مفاهیم مرتبط غیر تکراری به یک گام اساسی و چالش تبدیل شده است. ما یک راهکار جدید چند متغیره بر پایه گراف که می تواند تعاملات و همبستگی های مستقیم و غیرمستقیم میان ویژگی ها را در نظر بگیرد، برای حل این مشکل فراهم آوردیم. این مقاله، روش پیشنهادی ما را که یک الگوریتم انتخاب ژن بدون ناظر چند متغیره مستقل از الگوریتم های یادگیری است را تشریح می کند. تاثیر ژن های انتخاب شده با این روش بر عملکرد مدل های طبقه بندی کننده بر روی چند دیتاست معروف نشان دهنده بهبود تا ۲۰ درصدی دقت در مقایسه با کارهای مشابه می باشد.