مدل‌ سازي بيماري سرطان پستان با استفاده از روش‌ هاي مبتني بر داده‌ كاوي

Modeling Breast Cancer Using Data Mining Methods

سرطان سينه رايج ترين شكل سرطان در زنان است. اهميت تشخيص سرطان سينه به عنوان يكي از موضوعات مهم در علم پزشكي مطرح مي شود. تشخيص خوش خيم يا بدخيم بودن سرطان علاوه بر كاهش هزينه ها در جهت گيري نوع درمان از اهميت فوق العاده اي برخوردار است. هدف از اين پژوهش ارائه مدل هايي بر اساس داده كاوي است كه قابليت پيش بيني بيماري سرطان سينه را داشته باشند.روش: اين مطالعه از نوع توصيفيتحليلي مي باشد. پايگاه داده آن شامل 683 ركورد مستقل شامل 9 متغير موجود در پايگاه داده يادگيري ماشين uci مي باشد. در اين مقاله، از شبكه هاي عصبي مصنوعي پرسپترون ، بيزين و شبكه عصبي lvq براي كلاس بندي سرطان سينه به دوكلاس خوش خيم و بدخيم استفاده شده است. از 80 % داده ها جهت آموزش و از 20 % باقي مانده جهت آزمون استفاده شد.نتايج: پس از پيش پردازش داده ها شبكه هاي عصبي متفاوت با معماري هاي مختلف مورد بررسي قرار گرفتند. در بهترين حالت خوش خيم يا بد خيم بودن سرطان را در شبكه هاي عصبي پرسپترون چند لايه و شبكه عصبي lvq و بيزين با ميانگين ده بار تست به ترتيب با دقت هاي 97/5% و 97/6% و 98/3% پيش بيني شد. بررسي هاي مطالعه نشان داد كه شبكه عصبي بيزين در تشخيص بيماري موفق تر است.نتيجه گيري: سرطان پستان يكي از شايع ترين سرطان ها در بين زنان مي باشد. تشخيص به موقع بيماري ضمن كاهش هزينه ها، شانس درمان موفقيت آميز بيمار را افزايش مي دهد. در اين مطالعه ضمن تشخيص بيماري به كمك روش هاي داده كاوي، توانست با استفاده از شبكه عصبي بيزين به دقت بالايي در تشخيص بيماري دست يابد.

Introduction: Breast cancer is the most common form of cancer in women. Breast cancer detection is considered as one of the most important issues in medical science. Diagnosis of benign or malignant type of cancer reduces costs and also is important in deciding about the treatment strategy. The aim of this study was to provide data mining based models that have the predictability of breast cancer detection. Methods: This study was descriptive-analytic. Its database included 683 independent records containing nine clinical variables in the UCI machine learning. Multilayer Perceptron artificial neural network, Bayesian Neural Network and LVQ neural network were used for classification of breast cancer to benign and malignant types. In this study, 80% of data were used for network training and 20% were used for testing. Results: After pre-processing the data, different neural networks with different architectures were used to detect breast cancer. In the best condition, we could predict benign or malignant cancer in the MLP neural networks, LVQ and Bayesian Neural Networks with an average of ten tests with an accuracy of 97.5% and 97.6% and 98.3% respectively. Our investigations showed that Bayesian neural network had a better performance. Conclusion: Breast cancer is one of the most common cancers among women. Early diagnosis of disease reduces healthcare costs and increases patient survival chance. In this study, using data mining techniques in diagnosis, the researchers were able to use Bayesian neural network to achieve high accuracy in diagnosis