تشخيص سرطان مزوتليوما با استفاده از روش هاي نوين طبقه بندي

Diagnosis of mesothelioma cancer using modern classification methods

تومر سرطاني مزوتليوماي بدخيم از جمله تومورهاي غيرشايع و مهاجم مي باشد كه تشخيص آن بسيار دشوار است. با توجه به نشانه هاي پنهان و علائم غيراختصاصي اين بيماري، فرد مبتلا به آن ممكن است تا چندين دهه بعد از ابتلا، بدرستي تشخيص داده نشود. از آنجا كه پس از تشخيص، احتمال زنده ماندن بيمار تا يك سال بعد كمتر از 50 درصد است نياز به يافتن راهي براي تشخيص زودهنگام اين سرطان ضروري به نظر ميرسد. داده كاوي يكي از كارآمدترين روش هاي پيش‌بيني و تشخيص بيماري‌هاست و استفاده از اين علم در جهت تشخيص بيماري هاي خاص و نادر ميتواند تحولي در علم پزشكي ايجاد نمايد. ما در اين مقاله الگوريتم هاي طبقه‌بندي J48 ، Naïve Bayes ، K نزديكترين همسايه، Random Committee و شبكه عصبي مصنوعي را براي تشخيص اين بيماري بكار مي گيريم. مجموعه دادهاي كه در اين مقاله استفاده شده، براساس گزارشات واقعي بيماران است كه توسط دانشكده پزشكي در تركيه تهيه شده است. در اين تحقيق بوسيله روش هاي طبق هبندي J48 و شبكه‌ عصبي مصنوعي، با 100% صحت بر روي اين مجموعه داده، بيماري را تشخيص مي دهيم كه اين نتيجه نشان دهنده عملكرد بهينه اين دو الگوريتم در تشخيص بيماري مزوتليوما است.

Malignant mesothelioma is an uncommon invasive cancerous tumor very difficult to diagnose. Given the hidden and nonspecific symptoms of the disease, the person with mesothelioma may not be properly diagnosed even decades after the infection. Since the patient’s likelihood of survival is less than 50% for one year after diagnosis, it is absolutely necessary to find a way for early diagnosis. Data mining is a highly effective method for prediction and diagnosis of diseases, which can revolutionize medical science. In the present study, classification algorithms were used to diagnose the disease, including J48, Naïve Bayes, K-nearest neighbors, Random Committee, and artificial neural network. The dataset used is based on real patient reports, which was provided by a Turkish school of medicine. In the study, we diagnosed the disease using the classification techniques J48 and artificial neural network, with 100% accuracy on the data set, which is indicative of the high efficiency of the two algorithms in the diagnosis of mesothelioma.