انتخاب ویژگی با استفاده از الگوریتم های فرا ابتکاری در بهینه سازی مقادیرSVM درتشخیص سرطان سینه

سرطان پستان سالانه باعث مرگ میلیون ها زن در سراسر دنیا می شود. بیماری سرطان پستان اگر در مراحل اولیه تشخیص داده شود شانس بقای بیماران افزایش خواهد یافت. یکی از روشهای تشخیص بیماری سرطان پستان بکارگیری روش های یادگیری ماشین و تحلیل داده های گردآوری شده توسط مراکز درمانی است. ماشین بردار پشتیبان یک ابزار قدرتمند برای طبقه بندی نمونه-های خوش خیم و بدخیم است. یکی از چالشهای تشخیص نمونه های بدخیم توسط ماشین بردار پشتیبان عدم بهینه بودن پارامترهای این روش یادگیری عمیق است. یک چالش دیگر برای تشخیص نمونه های بدخیم، عدم متعادلسازی مجموعه داده و حجم اندک نمونه ها است. چالش دیگر یادگیری روی همه ویژگی ها است که خطای تشخیص نمونه ای بدخیم را افزایش می دهد. روش پیشنهادی در این مقاله از توانایی الگوریتم بهینه سازی شاهین و الگوریتم بهینه سازی کوسه سفید برای بهبود عملکرد ماشین بردار پشتیبان در تشخیص سرطان پستان استفاده می کند. در روش پیشنهادی در ابتدا توسط روش SMOTE تعداد نمونه-ها افزایش و متعادلسازی می شود. در مرحله دوم با الگوریتم بهینه سازی کوسه سفید، فاز انتخاب ویژگی اجراء شده و بهینه ترین ویژگی ها برای یادگیری ماشین بردار پشتیبان استفاده می شود. در مرحله سوم الگوریتم بهینه سازی شاهین هریس برای بهینه-سازی پارامترهای ماشین بردار پشتیبان استفاده می شود. ارزیابی ها در محیط برنامه نویسی متلب و روی مجموعه داده ویسکانسین انجام شده است. ارزیابی ها نشان می دهد روش پیشنهادی در تشخیص سرطان سینه دارای دقت، حساسیت و صحتی به ترتیب برابر ۹۹.۶۴%، ۹۹.۵۲% و ۹۹.۴۹% است. روش پیشنهادی برای تشخیص سرطان پستان نسبت به ماشین بردار پشتیبان بدون انتخاب ویژگی و نسبت به حالتی که متعادلسازی مجموعه داده انجام نشده است دارای دقت بیشتری است

کلیدواژه ها:

سرطان سینه ، ماشین بردار پشتیبان ، الگوریتم بهینه سازی شاهین هریس ، الگوریتم بهینه سازی کوسه سفید ، متعادلسازی مجموعه داده