علیرضا صادقی حصار - دانشگاه آزاد اسلامی واحد مشهد
حمید طباطبایی یزدی - دانشگاه آزاد قوچان
مهرداد جلالی - دانشگاه آزاد مشهد

اساسا مساله تشخیص درپزشکی از مولفه های تاثیرگذار درپیشبرد سیاست های درمان محسوب می شود که اخیرا پیشرفت های قابل ملاحظه ای با استفاده ازتکنی های داده کاوی دراین عرصه شکل گرفته است دراین مقاله از شبکه های باوربیزی به عنوان یک روش مدلسازی غیرخطی برای ارایه یک روش تشخیص وخامت سرطان سینه تحت عدم قطعیت استفاده شده است مجموعه داده ها ما مشاهدات ثبت شده BCW حاصل از فرایند نمونه گیری FNA است که دردانشگاه Wisconsin بدست آمدها ست دراین مقاله ابتدا با استفاده از الگوریتم جستجوی K2 به عنوان یک روش یادگیری ساختاری امتیازگرا شبکه بیزی مورد نظر بدست آمد و سپس با نرم افزار Netica میزان احتمال بدخیمی تومورها اندازه گیری شد خروجی روش ارایه شده نشان میدهد که این مدل از دقت و قابلیت اطمینان بیشتری نسبت به روشهای خطی موجود برخوردار است.

سرطان سینه - داده کاوی - شبکه های باوربیزی - یادگیری ساختاری - Netica