سابقه و هدف: اخیراً روش های هوشمند نظیر شبکههای عصبی مصنوعی به عنوان یک مدل کارآمد جهت پیشبینی و طبقهبندی تومورها مورد استفاده قرار گرفتهاند. تشخیص خوش خیمی و یا بدخیمی تودههای پستانی بر اساس خصوصیات مورفولوژیک، بالینی و دموگرافیک و بدون استفاده از روشهای تهاجمی پاراکلینیکی بسیار با اهمیت است. هدف این پژوهش ارائه یک مدل شبکه عصبی برای پیشبینی وضعیت تومورهای پستان و مقایسه کارآمدی آن با مدل رایج رگرسیونی میباشد.
مواد و روشها: Wisconsin Breast Cancer Database به عنوان مجموعه دادهای این تحقیق، مورد استفاده قرار گرفته است. این مجموعه، از طریق نتایج سیتولوژی تومورهای ناحیه پستان 683 بیمار مختلف به دست آمده است. ویژگیهایی همچون ضخامت توده، یکنواختی اندازه و شکل سلول و ... به عنوان متغیرهای ورودی مدل پیشنهادی به کار رفتهاند. از الگوریتم ژنتیک (GA) برای تعیین بهترین ساختار و نیز آموزش مدل شبکه عصبی چند لایه استفاده و پیاده سازی آن در نرمافزار MATLAB انجام گردیده است. کارایی مدل شبکه عصبی پیشنهادی با رگرسیون لجستیک مقایسه و برازش مدل رگرسیون لجستیک در نرمافزار SPSS انجام شده است. برای محاسبه دقیق کارایی مدلها از تکنیک
5-fold cross validation استفاده شده است.
یافتهها: نتایج نشان داد که GA توانایی تعیین بهترین ساختار برای یک شبکه چند لایه را دارد و شبکه را نیز به نحو مطلوب آموزش میدهد. بر اساس نتایج حاصله، پس از اجراهای مختلف، بهترین مدل شبکه عصبی با ساختار NN(9-8-6-1) به دست آمد که دقت، حساسیت، ویژگی و سطح زیر منحنیROC آن بهطور میانگین بهترتیب971/0، 988/0و962/0 و 9955/0 بود. ضمن آن که مقادیر همین پارامترها برای رگرسیون لجستیک به ترتیب 968/0، 975/0، 964/0 و 9954/0 به دست آمد.
استنتاج: بدین ترتیب مدل شبکه عصبی به دست آمده میتواند در کنار روش های تشخیصی غیر تهاجمی معمول، به عنوان یک سیستم پشتیبان تشخیص با حساسیت و ویژگی بالا، جهت شناسایی تومورهای خوش خیم و بدخیم پستان مورد استفاده قرار گیرد.
بازنشر اطلاعات | |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |