ارائه روشي جهت بهبود پيش بيني بقا در همبودي سرطان با استفاده از تركيب يافتن الگوهاي پنهان و روشهاي طبقه بندي داده ها

Propose a Method to Improve Prediction of Survivability in Comorbidity of Cancer Using Hybrid of Finding Hidden Pattern and Classification Approach

پيش بيني، تشخيص و بقاي سرطان، همواره از چالش‌هاي مهم براي محققين و پزشكان بوده است. تحقيقات پزشكي در حال حاضر به جاي اينكه تمايل به بررسي بيماري هاي جدا از يكديگر داشته باشند، توجه به اثر متقابل آنها دارند. يافته هاي اخير موضعي مختلف به سمت بيماري هاي همزمان با دلالت به اينكه بيماري هاي همزمان(همبودي بيماري) چگونه ممكن است تشخيص، درمان، و ارزيابي اثربخشي درمان، و همچنين بقاي بيماران را تحت تاثير قرار دهند. براي نشان دادن اهميت بيماري¬هاي مزمن همزمان، در اين تحقيق از مجموعه داده¬هاي مربوط به سرطان استفاده شده است. در اين مدل دو سرطان سينه و دستگاه تناسلي زنان و همچنين دو سرطان پروستات و مجاري ادرار در آقايان را در فايلي جمع آوري كرديم و سپس جهت انتخاب ويژگي هاي بهينه كه بيشترين تاثير را در تعيين و تشخيص نرخ بقا و همبودي بيماران مبتلا به سرطان دارد از الگوريتم انتخاب ويژگي بهينه ساز ازدحام ذرات استفاده شده است. جهت ايجاد انسجام و تعيين دسته براي هر نمونه و حذف داده هاي پرت از تكنيك خوشه بندي x-means استفاده شده است و سپس از تكنيك هاي پيش بيني مثل شبكه عصبي، درخت مصنوعي، رگرسيون خطي و جنگل تصادفي براي پش بيني نرخ بقاي بيماراني كه دچار همبودي سرطان شده اند استفاده شده است. با توجه به پياده سازي روش پيشنهادي روي پايگاه داده (SEER)، ملاحظه گرديد كه شبكه عصبي داراي دقت بالاتري در پيش بيني بقا بيماراني كه دچار همبودي شدند نسبت به ساير الگوريتمها با دقت 70/ 99 بوده است.