مدل سازي درخت تصميم گيري بر اساس روش هاي داده كاوي و پيشنهاد يك مدل جديد در تشخيص سرطان پوست با دو روش رنگ آميزي ايمونو هيستو شيمي

Modeling a Data Mining Decision Tree and Propose a New Model for the Diagnosis of Skin Cancer by Immunohistochemical Staining Methods

شيوه هاي نوين تشخيصي، نظير رنگ آميزي ايمونوهيستوشيميايي در سرطان پوست به متخصصان كمك مي كند تا با اطمينان بيشتر و در زمان كوتاه تر به تشخيص برسند. هدف از اين مطالعه، مقايسه يك روش مبتني بر درخت تصميم، براي تشخيص افتراقي دو نوع سرطان پوست (سرطان سلول هاي بازال و سرطان سلول هاي سنگفرشي) بر اساس نتايج سه روش رنگ آميزي مي باشد.روش: در حوزه داده كاوي و با استفاده از نرم افزارهاي spss.v19 و clementine.v12 با روش هاي مدل سازي درخت تصميم گيري cart و chaid، داده هاي مربوط به 60 بيمار مبتلا به سرطان پوست مربوط به كشور مالزي بررسي شد. سه روش رنگآميزي bcl2 و (galectin3(c و (galectin3(n براي تشخيص، وارد مدل شدند. بهترين متغير پيش گويي كننده براي ساخت درخت، شناسايي و با مدل پژوهشگرساخته ديگري بر مبناي مقادير بحراني حاصل از roc curve analysis و نتايج پاتولوژي مقايسه شد.نتايج: در مدل تركيبي حاصل، ميزان حساسيت و ويژگي تشخيص براي bcc به ترتيب 82/1 و 100 درصد، براي scc به ترتيب 100 و 82/8 درصد، دقت كلي مدل 90/38 درصد، ارزش اخباري مثبت (ppv)براي تشخيص scc و bcc به ترتيب82/1 و 100 درصد و نسبت درست نمايي مثبت (plr) براي bcc و scc به ترتيب 5/8 و 5/5 به دست آمد.نتيجه گيري: مدل درخت تصميم گيري بر اساس دو روش رنگ آميزي ايمونوهيستوشيمي در سرطان پوست، مي تواند در تشخيص اين دو بيماري بدخيم كمك كند و زمينه تحقيقات بيشتر را فراهم آورد.

Introduction: New diagnostic methods like immunohistochemistry staining in skin cancer can help the physicians to have more accurate diagnosis. The purpose of this study was to compare a method based on decision tree for differential diagnosis of two kind of skin cancer (Basal cell cancer and Squamous cell cancer) based on the results of staining methods. Method: Sixty skin cancer patients’ data from Malaysia were assessed by two methods of decision tree, CART and CHAID, in data mining and using Clementine 12 and SPSS 19. The results of three staining methods including B-cell lymphoma-2 antibody (BCL2), Galectin-3 (Cytoplasm), and Galectin-3 (Nucleus) were analyzed. The best predictive model for decision tree induction was compared with another researcher-made model based on critical values resulted from Receiver Operating Characteristic (ROC) curve analysis. Results: In final synthetic model, the sensitivity and specificity for Basal Cell Carcinoma (BCC) were 82.1% and 100%, and for Squamous Cell Carcinoma (SCC) were 100% and 82.8%, respectively. The overall accuracy of the model was 90.38% and the positive predictive values (PPV) for SCC and BCC were 82.1% and 100%, and the positive likelihood ratios (PLR) were 5.8 and 5.5 respectively. Conclusion: The decision tree model based on two methods of immunohistochemistry staining in skin cancer, can help in the diagnosis of these malignant disease and provide further studies.