طبقه بندی سرطان سینه با استفاده از مدل ترکیبی الگوریتم های یادگیری ماشین و مقایسه آن با سه مدل پایه

سرطان سینه یکی از شایع ترین علل مرگ و میر در میان زنان در سراسر جهان است و تشخیص زودهنگام آن اهمیت ویژه ای دارد. هدف این پژوهش استفاده از الگوریتم های یادگیری ماشین برای طبقه بندی توده های سینه به دو کلاس خوش خیم و بدخیم از روی تصاویر دیجیتالی FNA است. در این مطالعه از مجموعه داده WBCD شامل ۵۶۹ نمونه استفاده شد. پیش پردازش شامل نرمال سازی، بررسی داده های گمشده، انتخاب ویژگی مبتنی بر ضریب همبستگی متقابل و تقسیم بندی داده ها به صورت طبقه بندی شده بود. مدل پیشنهادی مبتنی بر روش Stacking شامل دو مدل پایه ماشین بردار پشتیبان و نزدیک ترین همسایه و یک مدل سطح دوم رگرسیون لجستیک بود. ارزیابی عملکرد با استفاده از معیارهای دقت، حساسیت، ویژگی، F۱-score و مساحت زیر منحنی ROC انجام شد. نتایج حاصل از پیاده سازی الگوریتم نشان داد که مدل ترکیبی پیشنهادی به دقت ۹۸.۸۳% و مقدار AUC برابر ۰.۹۹۸۰ در داده های آزمون می رسد. حساسیت مدل برای کلاس بدخیم برابر ۰.۹۷ است که نشان دهنده توانایی بالا در شناسایی موارد سرطانی است. عملکرد این مدل با سه مدل پایه SVM, KNN, LogisticRegression که به صورت منفرد آموزش دیده بودند، مقایسه گردید. نتایج حاصل نشان داد این مدل با بهره گیری از توانمندی های مکمل الگوریتم های SVM و KNN، می تواند الگوهای پیچیده تری را استخراج کند. لذا می توان از این مدل به عنوان ابزار کمکی بالینی در تشخیص سرطان سینه استفاده نمود.

کلیدواژه ها:

مدل ترکیبی ، یادگیری ماشین ، سرطان سینه ، طبقه بندی