DOI: https://doi.org/10.1016/j.bspc.2024.106247
تاريخ النشر: 2024-04-03
المؤلف: Abu Sarwar Zamani وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تقدم ورقة البحث نموذج تحليل بيانات ضخمة قائم على التعلم الآلي يهدف إلى التنبؤ بالعديد من الأمراض، مما يعزز أنظمة دعم القرار في تطبيقات الرعاية الصحية. من خلال الاستفادة من إطار عمل MapReduce، يقوم النموذج بمعالجة مجموعات بيانات الرعاية الصحية الكبيرة من خلال تنفيذ استخراج الميزات في مرحلة الخريطة واختيار الميزات في مرحلة التخفيض. يتم استخراج الميزات الإحصائية وتلك المستمدة من تحليل المكونات الرئيسية (PCA)، بينما يتم اختيار الميزات المثلى باستخدام خوارزمية تحسين تلقيح الزهور الهجينة (HFPBOA).
يستخدم النموذج التعلم الجماعي (EL) للتنبؤ بالعديد من الأمراض، مع تحسين معلمات مصنفات EL من خلال HFPBOA. يتم تحقيق التنبؤ النهائي من خلال متوسط المخرجات من الشبكات العصبية (NN)، وأقرب الجيران (KNN)، والمصنفات الضبابية. يظهر الإطار المقترح تحسينات كبيرة في دقة التنبؤ، حيث يحقق تحسينات بنسبة 40.1%، 28.7%، 23.6%، و10.5% مقارنة بالنماذج الحالية مثل SSA-EL، DOA-EL، BOA-EL، وFA-EL، على التوالي. يتم تأكيد فعالية هذا الإطار للتنبؤ بالعديد من الأمراض من خلال التحليل المقارن مع منهجيات التنبؤ المعاصرة.
DOI: https://doi.org/10.1016/j.bspc.2024.106247
Publication Date: 2024-04-03
Author(s): Abu Sarwar Zamani et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research paper presents a machine learning-based big data analytics model aimed at predicting multiple diseases, thereby enhancing decision support systems in healthcare applications. Leveraging the MapReduce framework, the model processes large healthcare datasets by performing feature extraction in the map phase and feature selection in the reduce phase. Statistical features and those derived from Principal Component Analysis (PCA) are extracted, while optimal features are selected using the Hybrid Flower Pollination Bumblebees Optimization Algorithm (HFPBOA).
The model employs Ensemble Learning (EL) for multi-disease prediction, optimizing the parameters of the EL classifiers through HFPBOA. The final prediction is achieved by averaging the outputs from neural networks (NN), k-nearest neighbors (KNN), and fuzzy classifiers. The proposed framework demonstrates significant improvements in prediction accuracy, achieving enhancements of 40.1%, 28.7%, 23.6%, and 10.5% over existing models such as SSA-EL, DOA-EL, BOA-EL, and FA-EL, respectively. The effectiveness of this multi-disease prediction framework is substantiated through comparative analysis with contemporary prediction methodologies.