سامانه همایش های دانشگاه آزاد اسلامی واحد نجف آباد

صفحه اصلی / سومین کنفرانس بین المللی مهندسی و علوم کامپیوتر و اولین کنفرانس ملی سامانه های هوشمند، کلان داده و رایانش پیشرفته

تحول روش‌های یادگیری در علوم زیستی: بررسی یکپارچه الگوریتم‌های کلاسیک، یادگیری عمیق و یادگیری مداوم

نویسندگان :

حمیدرضا حسینی¹ محدثه بخشی²

1- دانشگاه زابل 2- دانشگاه زابل

کلمات کلیدی :

یادگیری ماشین،یادگیری عمیق،یادگیری مداوم،زیست‌پزشکی،تحلیل داده‌های زیستی،هوش مصنوعی در پزشکی،مدل‌های پیش‌بینی

چکیده :

رشد روزافزون داده‌های زیستی و پزشکی در سال‌های اخیر، نیاز به تحلیل‌های دقیق، مقیاس‌پذیر و هوشمند را به یک ضرورت تبدیل کرده است. یادگیری ماشین به‌عنوان یکی از ابزارهای کلیدی در زیست‌پزشکی، مسیر پویایی را طی کرده که از الگوریتم‌های کلاسیک آغاز شده و با ورود یادگیری عمیق و سپس یادگیری مداوم، تحولی بنیادین یافته است. این مقاله با هدف بررسی یکپارچه این سیر تحول، سه نسل اصلی یادگیری را در بستر زیست‌پزشکی تحلیل می‌کند. ابتدا به الگوریتم‌های سنتی مانند k-NN، درخت تصمیم و رگرسیون لجستیک پرداخته می‌شود که در محیط‌های با داده‌های محدود و ساختاریافته، راهکارهایی ساده و تفسیرپذیر ارائه می‌دهند. در ادامه، قابلیت‌های یادگیری عمیق در مواجهه با داده‌های حجیم و پیچیده، به‌ویژه در زمینه‌هایی چون تشخیص تصویر، تحلیل ژنومیک و کشف دارو تشریح می‌شود. نهایتاً، یادگیری مداوم به‌عنوان نسل نوین و انطباق‌پذیر معرفی می‌گردد که امکان یادگیری پیوسته و بدون فراموشی را در محیط‌های متغیر پزشکی فراهم می‌سازد. تحلیل تطبیقی این سه رویکرد نشان می‌دهد که استفاده ترکیبی از آن‌ها می‌تواند زیرساختی نوین برای توسعه سامانه‌های هوشمند، پاسخ‌گو و پایدار در علوم زیستی فراهم آورد. در پایان، پیشنهادهایی برای مسیرهای پژوهشی آینده و طراحی مدل‌های ترکیبی، شخصی‌سازی‌شده و کم‌منبع ارائه می‌شود که می‌توانند نقشی کلیدی در آینده پزشکی داده‌محور ایفا کنند.