پاکنویس پایگاه خبری
شاید این مطالب برایتان مفید باشد
به گزارش پاکنویس، با افزایش حجم و پیچیدگی دادههای پزشکی، روشهای دادهکاوی و یادگیری ماشین به ابزارهایی برای کشف الگوهای پنهان در دادهها تبدیل شدهاند. در این میان، خوشهبندی بهعنوان یکی از روشهای یادگیری بدون نظارت، بدون نیاز به برچسبگذاری دادهها تلاش میکند نمونههای مشابه را در گروههایی قرار دهد و از این طریق ساختارهای نهفته در مجموعهدادههای پیچیده پزشکی را شناسایی کند.
خوشهبندی در حوزههای مختلف پژوهشهای زیستپزشکی، از تحلیل بیان ژن و تصاویر پزشکی گرفته تا دادهکاوی متون زیستپزشکی کاربرد دارد؛ با این حال، تنوع الگوریتمهای موجود و تفاوت ویژگیهای مجموعهدادههای پزشکی، انتخاب روش مناسب را به چالشی مهم تبدیل کرده است.
در این مطالعه که به وسیله پژوهشگران دانشگاه علوم پزشکی تهران و موسسات همکار در مجله Digital Health منتشر شده است، عملکرد الگوریتمهای مختلف خوشهبندی و معیارهای ارزیابی کیفیت آنها در پنج مجموعهداده عمومی و ناشناس پزشکی بررسی شد. این مجموعهدادهها شامل دادههای بیماران مبتلا به بیماری کبدی هند (ILPD)، سرطان پستان، دیابت سرخپوستان پیما، بیماری قلبی Statlog و سندرم تخمدان پلیکیستیک (PCOS) بود.
پژوهشگران پس از پیشپردازش دادهها، شامل مدیریت مقادیر گمشده، نرمالسازی دادهها و کدگذاری متغیرها، هشت الگوریتم خوشهبندی شامل خوشهبندی سلسلهمراتبی (HC)، میانگینگیری k-means، FANNY، الگوریتم درخت خودسازمانده (SOTA)، تحلیل تقسیمکننده (DIANA)، الگوریتم PAM، الگوریتم CLARA و روش AGNES را روی این مجموعهدادهها اعمال کردند.
عملکرد خوشهبندی نیز با سه گروه معیار ارزیابی شد. معیارهای درونی شامل اتصالپذیری (Connectivity)، عرض سیلوئت (Silhouette Width) و شاخص Dunn بودند. برای بررسی پایداری خوشهها نیز معیارهایی مانند نسبت متوسط عدمهمپوشانی (APN)، فاصله متوسط (AD)، فاصله متوسط بین میانگینها (ADM) و شکل شایستگی (FOM) مورد استفاده قرار گرفت. در بخش اعتبارسنجی خارجی نیز دقت و شاخص Adjusted Rand یا ARI برای مقایسه نتایج خوشهبندی با برچسبهای موجود به کار گرفته شد.
نتایج نشان داد که روشهای خوشهبندی سلسلهمراتبی و AGNES در مجموعهدادههای ILPD، دیابت پیما و Statlog، بهطور مستمر عملکرد بهتری از نظر معیارهای درونی و پایداری داشتند. در مجموعهداده سرطان پستان، الگوریتم k-means بهترین عملکرد را نشان داد. در مجموعهداده مربوط به سندرم تخمدان پلیکیستیک نیز عملکرد روشهای HC، AGNES، k-means و DIANA قابل مقایسه بود و برتری مشخصی از یک الگوریتم نسبت به سایر روشها مشاهده نشد.
با این حال، بررسی اعتبارسنجی خارجی تصویر متفاوتی ارائه کرد. یافتهها نشان داد که عملکرد بهتر یک الگوریتم در معیارهای درونی و پایداری الزاماً به معنای تطابق بیشتر گروههای ایجادشده با برچسبهای بالینی نیست. به بیان دیگر، الگوریتمی که از نظر انسجام درونی یا پایداری خوشهها عملکرد مطلوبی دارد، لزوماً گروهبندیهایی ایجاد نمیکند که با طبقهبندیهای بالینی شناختهشده بیشترین تطابق را داشته باشند.
پژوهشگران بر اساس این یافتهها نتیجه گرفتند که هیچ الگوریتم خوشهبندی واحدی نمیتواند برای تمام مجموعهدادههای پزشکی بهعنوان بهترین روش معرفی شود. اگرچه روشهای سلسلهمراتبی در بسیاری از دادههای بررسیشده عملکرد مناسبی از نظر معیارهای درونی و پایداری داشتند، این معیارها بهتنهایی برای پیشبینی میزان تطابق خوشهها با برچسبهای بالینی کافی نیستند.
بر اساس نتایج این مطالعه، استفاده همزمان از معیارهای درونی، شاخصهای پایداری و اعتبارسنجی خارجی میتواند ارزیابی جامعتری از کیفیت خوشهبندی در تحلیل دادههای پزشکی ارائه دهد. چنین رویکردی میتواند به پژوهشگران حوزه انفورماتیک سلامت در انتخاب روشهای مناسبتر و ایجاد نتایج قابل اعتمادتر و بازتولیدپذیرتر برای تحلیل دادههای پزشکی کمک کند.
