fa ارائه روشی مبتنی بر یک الگوریتم تکاملی برای دستیابی به مدلی کارآمد از شبکه عصبی مصنوعی جهت پیش بینی وضعیت تومورهای پستان پژوهشي-کامل Research(Original) <p dir="RTL">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.</p> <p dir="RTL">مواد و روش‌ها: <span dir="LTR">Wisconsin Breast Cancer Database</span> 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 <span dir="LTR">(GA)</span> برای تعیین بهترین ساختار و نیز آموزش مدل شبکه عصبی چند لایه استفاده و پیاده سازی آن در نرم‌افزار <span dir="LTR">MATLAB</span> انجام گردیده است. کارایی مدل شبکه عصبی پیشنهادی با رگرسیون لجستیک مقایسه و برازش مدل رگرسیون لجستیک در نرم‌افزار <span dir="LTR">SPSS</span> انجام شده است. برای محاسبه دقیق کارایی مدل‌ها از تکنیک<br> <span dir="LTR">5-fold cross validation</span> استفاده شده است.</p> <p dir="RTL">یافته‌ها: نتایج نشان داد که <span dir="LTR">GA</span> 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 <span dir="LTR">NN(9-8-6-1)</span> به دست آمد که دقت، حساسیت، ویژگی و سطح زیر منحنی<span dir="LTR">ROC</span> 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.</p> <p dir="RTL">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.</p> <p dir="RTL"></p> <p dir="ltr"></p> <p dir="ltr"><strong>Background and purpose:</strong> Intelligent methods such as artificial neural networks (ANN) have been recently used as an efficient model for prediction and classification of tumors. Diagnosis of benign and malignant breast tumors based on morphological, clinical and demographic features without using invasive paraclinical methods is very important. The aim of this study was to provide a neural network model to predict the status of breast tumors and compare its efficacy with the common regression model.</p> <p dir="ltr"><strong>Materials and methods: </strong>In this study, Wisconsin breast cancer database was used. It was obtained from cytology results of the breast tumors of 683 patients. In the proposed model different features such as clump thickness, uniformity of cell size, uniformity of cell shape, etc. were used as input variables. We applied the genetic algorithm (GA) for determination of the best structure and training of multi-layer NN model was implemented in MATLAB. The performance of proposed NN model was compared appling logistic regression (LR) in SPSS. 5-fold cross validation was used for accurate calculation of the performance of the models.</p> <p dir="ltr"><strong>Results:</strong> The results found GA capable of determining the best structure for a multi-layer NN and train it properly. In different performances the best NN structure was NN(9-8-6-1) with an average accuracy, sensitivity, specificity, and AUC (area under ROC curve) of 0.971, 0.988, 0.962, and 0.9955, respectively, while the values of the corresponding parameters for LR were 0.968, 0.975, 0.964 and 0.9954, respectively.</p> <p dir="ltr"><strong>Conclusion:</strong> The achieved ANN model could be used as a method with high sensitivity and specificity alongside common non-invasive diagnostic methods as a diagnosis support system to identify benign and malignant breast tumors.</p> <p dir="ltr"></p> روش‌های تهاجمی, نقطه برش پیش‌بینی, شبکه عصبی مصنوعی, 5-fold cross validation, منحنیROC Invasive methods, Cutoff prediction, artificial neural network, K-fold cross validation, ROC curve 100 115 http://jmums.mazums.ac.ir/browse.php?a_code=A-10-5029-131&slc_lang=fa&sid=1 Mahyaar Daaraaee مهیار دارائی mahyar354@yahoo.com 100319475328460054206 100319475328460054206 Yes MSc in Computer Engineering, Department of Computer Engineering, Ayatollah Amoli Branch, Islamic Azad University, Amol, Iran کارشناسی ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد آیت الله آملی، آمل، ایران Javad Vahidi جواد وحیدی 100319475328460054207 100319475328460054207 No Assistant Professor, Department of Applied Mathematics, Faculty of Mathematics, Iran University of Science and Technology, Nour, Iran . استادیار، گروه ریاضی کاربردی، دانشکده ریاضی، دانشگاه علم و صنعت ایران، نور، ایران Abbas Alipour عباس علی پور 100319475328460054208 100319475328460054208 No Assistant Professor, Department of Community Medicine, Faculty of Medicine, Mazandaran University of Medical Sciences, Sari, Iran استادیار، گروه پزشکی اجتماعی، دانشکده پزشکی، دانشگاه علوم پزشکی مازندران، ساری، ایران