بهینه سازی ابعاد و تشخیص هوشمند سرطان پستان با استفاده از الگوریتم ژنتیک هیبریدی و جستجوی محلی

سرطان پستان به عنوان یکی از شایع ترین بدخیمی ها در میان زنان در سراسر جهان، همچنان یک تهدید جدی برای سلامت عمومی محسوب می شود و تشخیص زودهنگام آن نقشی حیاتی در افزایش نرخ بقا و کاهش هزینه های درمانی ایفا می کند. با ظهور تکنیک های یادگیری ماشین در حوزه پزشکی، استفاده از داده های با ابعاد بالا برای تحلیل تصاویر سلولی و بافت های تومور رواج یافته است. با این حال، وجود ویژگی های زیاد، همبسته و نویزی در مجموعه داده های پزشکی می تواند منجر به پدیده «نفرین ابعاد» شود که نه تنها دقت مدل های پیش بینی کننده را کاهش می دهد، بلکه پیچیدگی محاسباتی و زمان پردازش را به شدت افزایش می دهد. در این پژوهش، یک چارچوب ترکیبی و کارآمد برای انتخاب ویژگی مبتنی بر الگوریتم ژنتیک تقویت شده با مکانیزم جستجوی محلی پیشنهاد شده است. نوآوری اصلی این رویکرد در طراحی یک تابع برازندگی چندهدفه است که به صورت همزمان به دنبال حداکثرسازی امتیاز F۱ مدل ماشین بردار پشتیبان و حداقل سازی تعداد ویژگی ها جهت افزایش تفسیرپذیری مدل است. عملکرد روش پیشنهادی بر روی مجموعه داده استاندارد WDBC ارزیابی شد و نتایج آن با دو روش متداول و پرکاربرد انتخاب ویژگی شامل حذف بازگشتی ویژگی (RFE) و فیلتر ReliefF مقایسه گردید. نتایج تجربی نشان داد که الگوریتم ژنتیک پیشنهادی با انتخاب تنها ۷ ویژگی کلیدی از میان ۳۰ ویژگی اولیه، عملکرد برتری را نسبت به سایر روش ها ارائه کرده است. به طور مشخص، مدل SVM مجهز به ویژگی های منتخب توسط GA موفق به کسب دقت ۹۸.۱٪ و امتیاز F۱ برابر با ۰.۹۷۴ شد که نسبت به حالت بدون انتخاب ویژگی به ترتیب ۰.۶٪ و ۰.۸٪ بهبود یافت. در مقابل، روش های RFE و ReliefF با وجود کاهش ویژگی ها به ۵ مورد، به دلیل حذف اطلاعات مفید، منجر به افت دقت به حدود ۹۳.۹٪ و ۹۴.۷٪ شدند. علاوه بر دقت، روش پیشنهادی بالاترین حساسیت (۰.۹۶۷) و معیار AUC (۰.۹۹۵) را در بین روش های مورد بررسی به دست آورد که نشان دهنده توانایی بالای آن در تشخیص صحیح موارد بدخیم و کاهش نرخ خطای نوع دوم است. این نتایج تایید می کند که رویکرد هیبریدی پیشنهادی می تواند با کاهش چشمگیر ابعاد داده ها، تشخیص هوشمند سرطان پستان را دقیق تر، سریع تر و کارآمدتر نماید.

کلیدواژه ها:

انتخاب ویژگی ، الگوریتم ژنتیک ، سرطان پستان ، ماشین بردار پشتیبان ، جستجوی محلی