INSPIROWANE KOJOTAMI PODEJŚCIE DO PRZEWIDYWANIA TOCZNIA RUMIENIOWATEGO UKŁADOWEGO Z WYKORZYSTANIEM SIECI NEURONOWYCH

Toczeń rumieniowaty układowy (SLE) jest skomplikowaną chorobą autoimmunologiczną, która może objawiać się różnymi objawami klinicznymi, co utrudnia dokładne rokowanie. Ponieważ SLE ma szeroki zakres objawów i może nakładać się na inne choroby autoimmunologiczne i zapalne, postawienie diagnozy może być trudne. Niniejsze badanie tworzy precyzyjny i dokładny model przewidywania SLE z wykorzystaniem zbioru danych GEO. W celu efektywnego kosztowo gromadzenia i analizy danych, wybór cech może być niezbędny w niektórych zastosowaniach, szczególnie w opiece zdrowotnej i badaniach naukowych. W niniejszym badaniu połączono siłę sztucznych sieci neuronowych (ANN) do przewidywania tocznia rumieniowatego układowego i algorytmu optymalizacji Coyote (COA) do wyboru cech. COA to metoda optymalizacji, na którą wpływ ma natura i zachowania łowieckie kojotów. Niniejsze badanie ma na celu poprawę skuteczności późniejszego modelowania predykcyjnego poprzez wykorzystanie COA do identyfikacji podzbioru istotnych cech z wielowymiarowych zbiorów danych powiązanych z SLE. Wielowarstwowa sieć neuronowa Feed-forward, potężna architektura uczenia maszynowego znana ze swojej zdolności do odkrywania złożonych wzorców i korelacji w danych, otrzymuje następnie wybrane cechy. Ponieważ sieć neuronowa została zbudowana w celu uchwycenia skomplikowanej i nieliniowej struktury SLE, oferuje ona niezawodną podstawę do precyzyjnej klasyfikacji i przewidywania. Dokładność modelu COA-ANN wyniosła 99,6%.