تشخیص هوشمند سرطان پستان با انتخاب ویژگی مبتنی بر رگرسیون لجستیک و دسته بندی ماشین بردار پشتیبان

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 199

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSCIT-9-2_009

تاریخ نمایه سازی: 25 مهر 1403

چکیده مقاله:

سرطان پستان شایع ترین سرطان در میان زنان است و وجود یک سیستم دقیق و مطمئن برای تشخیص خوش خیم و یا بدخیم بودن توده سرطان ضروری است. امروزه با استفاده از نتایج سیتولوژی آسپیراسیون سوزنی، تکنیک های داده کاوی و یادگیری ماشین می توان شناسایی و تشخیص زود هنگام سرطان پستان را با دقت بالاتری انجام داد. در این مقاله روشی پیشنهاد شده است که شامل دو مرحله است: در مرحله اول برای حذف ویژگی های کم اهمیت تر، از رگرسیون لجستیک استفاده شده است تا ویژگی های مهم تر انتخاب شوند. در مرحله دوم، از الگوریتم طبقه بندی ماشین بردار پشتیبان (SVM) با سه هسته ی متفاوت برای تشخیص خوش خیم و بدخیم بودن نمونه ها استفاده شده است. برای ارزیابی کارایی روش پیشنهادی از دو مجموعه داده WBCD و WDBC و معیارهای دقت، ناحیه زیر نمودار ROC (AUC)، نرخ مثبت حقیقی، نرخ مثبت کاذب، صحت و معیار F بررسی شده اند. نتایج نشان می دهد که با استفاده از روش رگرسیون لجستیک می توان انتخاب ویژگی موثرتری انجام داد، به گونه ای که روش پیشنهادی از نظر دقت طبقه-بندی به دقت ۶۹/۹۸% می رسد.

نویسندگان

Ziba Khandezamin

Department of Computer Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran

Marjan Naderan

Department of Computer Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran

Mohammad Javad Rashti

Department of Computer Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • R. Sheikhpour, R. Sheikhpour, “Breast cancer diagnosis using non-parametric kernel ...
  • R. Sheikhpour, M. Agha Sarram, R. Sheikhpour, “Particle swarm optimization ...
  • S. Aalaei, H. Shahraki, AR. Rowhanimanesh, S. Eslami, “Feature selection ...
  • G. RMA Sizilio, C. RM Leite, A. MG Guerreiro, A. ...
  • M. Karabatak. “A new classifier for breast cancer detection based ...
  • H. Asri, H. Mousannif, H. Al Moatassime, T. Noel, “Using ...
  • M. Nilshahi, O. Ibrahim, H. Ahmadi, L.A. Shahmoradi, “Knowledge-Based System ...
  • B. M. Gayathri, C. P. Sumathi, “Mamdani Fuzzy Inference system ...
  • B. M. Gayathri, C. P. Sumathi, “An Automated Technique using ...
  • A. Hazra, S. Kumar Mandal, A. Gupta, “Study and Analysis ...
  • A. Bhardwaj, A. Tiwari, “Breast Cancer Diagnosis Using Genetically Optimized ...
  • N. Modi, K. Ghanchi, “Comparative Analysis of Feature Selection Methods ...
  • L. Abdel-Ilah, L. Sahinbegoviü, “Using machine learning tool in classification ...
  • UCI Machine Learning Repository, Breast Cancer Wisconsin(Original)Dataset https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Original ...
  • H. Hannah Inbarani, M. Bagyamathi, A. T. Azar, “A novel ...
  • F. Ahmad, N. A. Mat Isa, Z. Hussain, M. K. ...
  • E. Besharati, M. Naderan, E. Namjoo, “LR-HIDS: Logistic Regression Host-based ...
  • A. Ahmadi, P. Afshar, “Intelligent breast cancer recognition using particle ...
  • L. Peng, W. Chen, W. Zhou, F. Li, J. Yang, ...
  • A. Mert, N. Kılıç, N., Bilgili, E., Akan, A. “Breast ...
  • Mert, A., Kılıc, N., Akan, A.An improved hybrid feature reduction ...
  • نمایش کامل مراجع