تشخیص و طبقه بندی خوشخیم یا بدخیم بودن تومورهای سینه با استفاده از الگوریتم k-medoids و شبکه های عصبی مصنوعی با بکارگیری الگوریتم گرگ خاکستری

زمینه و هدف: هدف این مقاله، ارائه الگوریتمی ترکیبی جهت تشخیص و طبقه بندی خوش خیم یا بدخیم بودن تومورهایسینه می باشد. اختلالاتی که اغلب در سینه ایجاد می شود شامل توده هایی است که ممکن است خوش خیم یا بدخیم باشند.غربالگری یکی از ارکان بسیار مهم در تشخیص به موقع بیماری های سینه است و یکی از تنها روش هایی است که می توان بهوسیله آن بیماری های سینه را در مراحل اولیه تشخیص داد و از بروز هرگونه بیماری در سینه جلوگیری کرد. هوش مصنوعیو داده کاوی در بخش بهداشت و درمان می تواند در تصمیم گیری ها کمک کند، موارد تشخیص بیماری را افزایش دهد، دریکپارچه سازی داده ها کمک کند و با حمایت از عملکردهای پزشکی باتوجه به داده ها، بحث مراقبت از بیمار را ارتقا داده وبهره وری اداری را بهبود بخشد. از داده های موجود در مراکز درمانی برای آموزش این سیستم ها استفاده می شود. سپس اینسیستم های هوش مصنوعی و داده کاوی تکنیک های بخصوصی را برای رسیدن به تشخیص به کار می گیرند.مواد و روش ها: در این پژوهش ابتدا مجموعه داده توسط الگوریتم خوشه بندی K-Medoids، بهینه می شود تا داده های پرتآن مشخص و از مجموعه داده حذف شوند. سپس تعداد ویژگی های مجموعه داده کاهش یافته تا، ویژگی هایی که در تشخیصبیماری از اهمیت بیشتری برخوردار هستند، انتخاب شوند. در مرحله بعد توسط ویژگی های باقی مانده، سیستم شبکه هایعصبی مصنوعی و الگوریتم گرگ خاکستری ساخته می شود تا دقت پیش بینی و تشخیص بیماری به دست آید.نتیجه گیری: نتایج حاصل در این مطالعه نشان دهنده برتری روش بهینه سازی شبکه عصبی با الگوریتم گرگ خاکسترینسبت به سایر روش ها، در راستای تشخیص بیماری سرطان سینه با متوسط دقت برابر ۹۹% می باشد.

کلیدواژه ها:

سرطان سینه ، طبقه بندی ، هوش مصنوعی ، داده کاوی ، شبکه های عصبی مصنوعی ، الگوریتم گرگ خاکستری