تشخیص بیماری سرطان سینه با استفاده از روش ترکیبی جدید انتخاب ویژگی مبتنی بر الگوریتم ازدحام ذرات و گرگ خاکستری ( HPSOGWO ) و روش های یادگیری ماشین ( KNN و SVM )

سرطان سینه رایج ترین شکل سرطان در زنان است. اهمیت تشخیص سرطان سینه به عنوان یکی از موضوعات مهم در علم پزشکی مطرح می باشد. تشخیص خوش خیم و بدخیم بودن سرطان علاوه بر کاهش هزینه ها درجهت گیری نوع درمان از اهمیت فوق العاده ای برخوردار است. هدف از انجام این تحقیق تشخیص بیماری سرطان سینه با استفاده از روش جدید ترکیبی انتخاب ویژگی مبتنی بر الگوریتم ازدحام ذرات و گرگ خاکستری( HPSOGWO ) و PSO و GWO و طبقه بندی تشخیص بیماری سرطان سینه به دو حالت خوشخیم و بدخیم با استفاده از روش های یادگیری ماشین از جمله SVM و KNN با دو روش اجرایی (همه ویژگی ها و ویژگی های انتخاب شده) می باشد. بدین منظور برای انجام این تحقیق داده های مورد نیاز، از مجموعه داده های بخش دیتاست یادگیری ماشین دانشگاه کالیفرنیا تهیه گردید که در پایگاه داده UCI قابل دسترسی می باشد. اینمجموعه داده شامل اطلاعات ۵۶۹ فرد است که هرکدام ۳۰ ویژگی دارند. در این مجموعه داده تعداد ۲۱۲ بیمار دچار تومور بدخیم سرطان سینه و ۳۵۷ فرد سالم (تومور خوش خیم) وجود دارد. نتایج این تحقیق نشان داد کهالگوریتم های انتخاب ویژگی مورد استفاده در این تحقیق ( PSO ، GWO و HPSOGWO ) روش هایی با دقت مطلوب در تشخیص سرطان سینه می باشند و روش ترکیبی جدید مورد استفاده در این تحقیق ( HPSOGWO )دارای میزان دقت و صحت تقریبا برابر و نزدیک با الگوریتم PSO است، اگرچه در اکثر شاخص ها الگوریتم PSO نسبت به الگوریتم ترکیبی عملکرد بهتری را نشان می دهد. همچنین نتایج طبقه بندی این بیماری به دوگروه خوش خیم و بد خیم با استفاده از الگوریتم های طبقه بند نشان داد که هر دو روش تمامی شاخص های دقت، صحت، حساسیت، خصوصیت و هم چنین معیارهای Kappa ، RMSE و RAE در الگوریتم طبقه بند KNNعملکرد بهتری را ارائه می دهد و به طور کلی الگوریتم های PSO و HPSOGWO و الگوریتم طبقه بند KNN دارای بهترین عملکرد در تشخیص و طبقه بندی بیماری سرطان سینه (خوش خیم، بدخیم) در این تحقیق بودند.

کلیدواژه ها:

سرطان سینه ، یادگیری ماشین ، الگوریتم HPSOGWO ، گرگ خاکستری ، ازدحام ذرات