بهبود دقت پیش بینی بازگشت بیماری سرطان سینه با استفاده از انتخاب ویژگی به وسیله الگوریتم فراابتکاری خفاش و روش های یادگیری ماشین

سرطان سینه جزء سرطان های شایع زنان است که تشخیص به موقع آن در ادامه حیات و درمان، نقش مهی دارد اما حتی متداول ترین تکنیك های تشخیصی مثل ماموگرافی نیز نمی توانند قابلیت تشخیص بالایی داشته باشند بنابراین، ضرورت دارد تکنیك های تشخیص بهتری بررسی شوند در سیستم های خبره یکی از کاربردهای مهم تکنیك های داده کاوی مربوط به تشخیص بیماری هاست، که با کمك داده های پزشکی می توانند در مسیر تشخیص، زمان را کمتر، خطای احتمالی کارشناسان را کاهش و جزئیات را دقیق تر نمایند. بنابراین در این تحقیق به منظور تشخیص عود مجدد بیماری سرطان سینه از روش جدید مبتنی بر انتخاب ویژگی توسط الگوریتم خفاش در حالت ترکیبی با روش های یادگیری ماشین شامل درخت تصمیم، ماشین بردار پشتیبان، بیزین ساده و k نزدیکترین همسایگی، به پیش بینی و تشخیص بازگشت یا عدم بازگشت بیماری سرطان سینه با استفاده از داده های سرطان سینه موجود در مجموعه داده های یادگیری ماشین دانشگاه کالیفرنیا آمریکا پرداخته شده است نتایج این تحقیق نشان می دهد که روش DT با دقت 86/8 و بعد از آن، روش KNN با دقت 86/7 دارای بیشترین دقت در حالت با انتخاب ویژگی توسط الگوریتم خفاش و دارای دقت های 83/8 و 82/8 بدون فرآیند انتخاب ویژگی در بین تمامی مدل ها هستند بعد از این دو مدل به ترتیب روش SVM و NB با دقت های 85/8 و 81/8 در حالت با انتخاب ویژگی توسط الگوریتم خفاش و دقت های 84/3 و 73/2 بدون فرآیند انتخاب ویژگی قرار دارند تمامی روش های یادگیری ماشین با 4 ویژگی که توسط الگوریتم بهینه سازی خفاش انتخاب شده به این نتایج دست یافته اند نتایج این تحقیق به خوبی نقش فرآیند انتخاب ویژگی های موثر در تشخیص عود بیماری سرطان سینه توسط الگوریتم بهینه سازی خفاش و نیز کاهش ابعاد مسئله، افزایش دقت تشخیص و پیش بینی بازگشت بیماری سرطان سینه توسط روش های یادگیری ماشین را اثبات می کند.

کلیدواژه ها:

سرطان سینه ، انتخاب ویژگی ، یادگیری ماشین ، الگوریتم خفاش