---

در تحقیقات پزشکی از سطح زیر منحنی ROC برای ارزیابی آزمون غربالگری در تمایز بین افراد سالم و افراد بیمار و دسته بندی مدل­ ها در تصمیمات حمایتی، تشخیص و پیشگیری استفاده می­ شود. تجزیه و تحلیل این منحنی ­ ها صحت توانائی مدل ­ ها در جداسازی موارد مثبت از منفی را نشان می­ دهد. هرچند بنا به تعریف باید این منحنی هموار باشد، اما در مطالعات تجربی منحنی هایی ناهموار حاصل می شوند. لذا در این مقاله استفاده از هموارساز هسته ­ ای برای برآورد این منحنی پیشنهاد شده است. سپس منحنی ­ های ROC مربوط هورمون محرک تیروئید ( TSH ) نوزادان 3 تا 7 روزه استان اصفهان مربوط به طرح غربالگری تیروئید مادرزادی با روش­ های نرمال دو متغیره، تجربی و هموارسازی هسته ای برآورد شده اند. آنگاه برای ارزیابی این منحنی ­ ها، سطح زیرمنحنی و انحراف معیار آن برآورد گردیده و برتری روش هموارسازی هسته ­ای نشان داده شده است.

 

---

پیشرفت سرطان در بین بیماران را می‌توان از طریق ایجاد مجموعه‌ای از نشانگرهای ژن با روش‌های تحلیل آماری داده‌ها بررسی کرد. اما یکی از مشکلات اساسی در مطالعه آماری این نوع داده‌ها وجود تعداد زیاد ژن‌ها در مقابل تعداد کم نمونه‌هاست. بنابراین، استفاده از روش‌های کاهش ابعاد برای حذف و یافتن تعداد بهینه‌ای از ژن‌ها برای پیش‌بینی صحیح رده‌های موردنظر، امری ضروری است. از طرفی، انتخاب یک روش کاهش ابعاد مناسب، می‌تواند به استخراج اطلاعات ارزشمند و افزایش کارایی یادگیری کمک کند. در این پژوهش از رویکرد یادگیری دسته‌ای به نام دسته ماشین بردار پشتیبان تصادفی برای یافتن مجموعه ویژگی بهینه، استفاده می‌شود. در تحلیل داده‌های واقعی مقاله حاضر، نشان داده می‌شود با تبدیل داده‌های بُعد بالا به زیرفضاهایی با بُعد پایین‌تر و ترکیب مدل‌های ماشین بردار پشتیبان، علاوه بر یافتن مجموعه‌ای از ژن‌‌های موثر در بروز سرطان پروستات، دقت رده‌بندی نیز افزایش می‌یابد.