ارائه و ارزیابی یک سیستم تشخیص هوشمند سرطان سینه مبتنی بر یادگیری ماشین ترکیبی (Stacking) با دقت ۹۹.۱۲٪
مقدمه و هدف:تشخیص زودهنگام سرطان پستان عامل کلیدی در افزایش نرخ بقای بیماران و کاهش عوارض درمانی است. با وجود پیشرفت های پزشکی، هنوز چالش هایی در دقت و پایداری سیستم های کمکی تشخیصی وجود دارد. این پژوهش با هدف ارتقای عملکرد تشخیصی، یک سیستم هوشمند مبتنی بر یادگیری ماشین ترکیبی (Ensemble Learning) را طراحی و پیاده سازی کرده است. نوآوری اصلی این پژوهش، مقایسه و تلفیق همزمان استراتژی های پیشرفته Voting و Stacking بر روی طیفی از الگوریتم های پایه برای بهینه سازی دقت و حساسیت است.
روش شناسی:این پژوهش به روش کمی و تجربی انجام شده است. داده های مورد استفاده، مجموعه داده استاندارد «ویسکانسین برای سرطان سینه» (Wisconsin Breast Cancer) شامل ۵۶۹ نمونه با ۳۰ ویژگی کلینیکی بوده است. فرآیند تحقیق شامل چهار مرحله اصلی بود:
۱) پیش پردازش و نرمال سازی داده ها
۲) آموزش هشت الگوریتم پایه شامل Logistic Regression، RF، Gradient Boosting، SVM، KNN، NLP، AdaBoost و Decision Tree
۳) اعمال روش های ترکیبی Voting (سخت و نرم) و Stacking
۴) ارزیابی عملکرد با استفاده از معیارهای دقت (Accuracy)، حساسیت (Recall)، شاخص F1 و ROC-AUC در محیط پایتون (کتابخانه Scikit-learn).
یافته ها:نتایج آزمایشات نشان داد که مدل های ترکیبی برتری معناداری نسبت به مدل های تکی دارند. در میان مدل های پایه، «رگرسیون لجستیک» و «جنگل تصادفی» با دقت حدود ۹۷.۳٪ بهترین عملکرد را داشتند. با این حال، مدل پیشنهادی مبتنی بر Stacking با دستیابی به نتایج زیر، برترین عملکرد را کسب کرد:
- دقت (Accuracy): ۹۹.۱۲٪
- حساسیت (Recall): ۹۹.۴۹٪ (تشخیص ۱۰۰٪ موارد بدخیم)
- شاخص F1: ۰.۹۹۳
- ROC-AUC: ۰.۹۹۹
همچنین، تحلیل خطاها نشان داد که از ۱۱۴ نمونه تست، تنها یک خطای مثبت کاذب (False Positive) رخ داده است که در کاربردهای بالینی، تشخیص اشتباه موارد خوش خیم به عنوان بدخیم (و انجام آزمایش های تکمیلی) منطقی تر از خطای منفی کاذب (عدم تشخیص سرطان) است.
نتیجه گیری:یافته های این پژوهش حاکی از آن است که استفاده از معماری ترکیبی Stacking می تواند خطای مدل های پایه را کاهش داده و پایداری تشخیص را به طور قابل توجهی افزایش دهد. سیستم پیشنهادی با حساسیت بالا، پتانسیل بالایی برای استفاده به عنوان یک ابزار کمکی (Decision Support System) جهت تشخیص اولیه و ارجاع سریع بیماران پرخطر به پزشکان متخصص دارد.