انتخاب ویژگی های موثر در تشخیص سرطان پستان با استفاده از مدلهای پارامتریک یادگیری ماشین

آزمایش آسپیراسیون سوزنی روشی کم هزینه، آسان و سریع برای تشخیص دقیق و زود هنگام سرطان پستان است. با استفاده از خصوصیات استخراج شده از آزمایش آسپیراسیون سوزنی و با کمک تکنیک های یادگیری ماشین میتوان سیستمی کارآمد را برای تشخیص سرطان پستان طراحی نمود که با دقت بالایی خوشخیم یا بدخیم بودن تومورهای پستان را تشخیص دهند. هدف از انجام این مطالعه، انتخاب ویژگی های موثر در تشخیص سرطان پستان با استفاده از مدلهای پارامتریک یادگیری ماشین است.روش بررسی: در این مطالعه از داده های پایگاه داده WBCD موجود در UCI که شامل 683 نمونه خوشخیم و بدخیم تومور پستان که هر نمونه دارای 9 ویژگی است استفاده شد. سپس انتخاب ویژگی با روش پیشرو و دسته بندی نوع تومور با انواع روش های پارامتریک مانند دسته بندی درجه دو، دسته بندی خطی و دسته بندی نزدیکترین میانگین انجام گرفت.یافته ها: روش پارامتریک دسته بندی درجه دو با استفاده از انتخاب ویژگی پیشرو، بالاترین کارایی را در تشخیص سرطان پستان دارد. این روش با انتخاب چهار ویژگی Uniformity of cell size, Bare nuclei, Bland chromatin, Mitosesدارای دقت %98/90 و حساسیت %97/89 است. همچنین در همه روش ها ویژگی های Uniformity of cell size و Bare nuclei بالاترین کارایی را دارند.نتیجه گیری: نتایج این مطالعه نشان داد که با روش انتخاب ویژگی پیشرو و تکنیک های پارامتریک یادگیری ماشین، علاوه بر دستیابی به عملکرد بالا در تشخیص سرطان پستان، عوامل و ویژگی های اصلی در تشخیص سرطان پستان نیز شناسایی میشوند. به نظر میرسد این ویژگیها یکی از مهمترین عوامل برای کمک به تشخیص سرطان پستان هستند.

کلیدواژه ها:

سرطان پستان ، یادگیری ماشین ، انتخاب ویژگی ، روش های پارامتریک.