تشخیص سرطان پستان با رویکرد مدل سازی پیش بینی و پزشکی شخص محور

مقدمه: سرطان پستان دومین عامل شایع مرگ و میر در میان زنان جهان محسوب می شود. طبقه بندی زیر شاخه های مختلف این سرطان نقش کلیدی در تشخیص زودهنگام و درمان فردمحور ایفا می کند. هدف این مطالعه بهره گیری از یک رویکرد مبتنی بر یادگیری ماشین در راستای توسعه مدل های پیش بینی کننده ی زیر گروه های سرطان پستان با استفاده از مجموعه داده های تک آمیک می باشد. مواد و روش ها: در این مطالعه مجموعه داده های بیانی RNAseq با سایز ۵۲۶ نمونه و داده های بیانی miRNA با ۷۵۵ نمونه از پایگاه داده ای اطلس ژنوم سرطانTCGA-BRCA  استخراج شدند. مدل ها با استفاده از یک چارچوب جامع که استخراج اطلاعات کلیدی از داده های تک-امیک، یک پارچه سازی داده های ناهمگون از منابع مختلف، کاهش ابعاد و ارزیابی مدل را در خود جای داده بود، آموزش داده شدند. عملکرد مدل ها با استفاده از معیارهای مختلف از جمله دقت، صحت، بازیابی، امتیاز F۱ و سطح زیر منحنی مشخصه عملکرد گیرنده (AUC-ROC) برای طبقه بندی کننده های رگرسیون حداقل مربعات جزئی، جنگل تصادفی، بیز ساده، درخت تصمیم، شبکه های عصبی، و رگرسیون لاسو ارزیابی شده است. یافته ها: نتایج این تحقیق نشان می دهد که طبقه بندی کننده های جنگل تصادفی و رگرسیون لاسو به ترتیب با دقت پیش بینی ۹۲/۸۱٪ و ۹۵/۰۱٪، بهترین عملکرد را در میان مدل های بررسی شده داشتند. نمودار مشخصه عملکرد سیستم (ROC) برای این دو روش با سطح زیر نمودار (AUC) معادل ۰/۹۷، برتری واضحی نسبت به سایر روش ها نشان می دهد. همچنین، ارقام بازیابی بالا (۹۳/۶۱٪ برای جنگل تصادفی و ۹۳/۸۲٪ برای رگرسیون لاسو) نمایانگر موفقیت این تکنیک ها در جمع آوری نمونه های مثبت هستند. علاوه بر این، این دو طبقه بندی کننده رتبه بندی F۱ بالایی کسب کرده اند که نشان دهنده دقت، بازیابی و کارایی کلی مطلوب آن ها می باشد. نتیجه گیری: این مطالعه پتانسیل مدل پیشنهادی مبتنی بر هوش مصنوعی را در تشخیص زیرگروه های سرطان پستان برجسته می کند. چارچوب پیشنهادی می تواند با بکارگیری داده های بالینی در دسترس برای تشخیص زودهنگام، پیش بینی دقیق و درمان متناسب با بیمار پیاده سازی شده و بار سرطان ناشی از عوارض و مرگ و میر را کاهش دهد.

کلیدواژه ها:

Artificial intelligence ، Predictive modeling ، Medical biotechnology ، Cancer detection ، Precision medicine. ، هوش مصنوعی ، مدل سازی پیش بینی کننده ، بیوتکنولوژی پزشکی ، تشخیص سرطان ، پزشکی دقیق.