بهبود الگوريتم زنبور عسل ژنتيكي براي انتخاب ويژگي هاي موثر در پيش بيني سرطان پستان از بين عادات غذايي، عوامل فرهنگي، علايم باليني و نتايج آزمايشگاهي

Improvement of Genetic Bee Algorithm to selec‎t the Effective Features in Predicting Breast Cancer from Among Dietary Habits, Cultural Factors, Clinical Signs, and Laboratory Results

مقدمه: كشف ويژگي هاي موثر در بروز سرطان پستان داراي اهميت است. وجود علايم مختلف اين بيماري، تشخيص را براي پزشكان دشوار مي كند. پيشگيري از ابتلا به سرطان پستان با آگاهي از عوامل تاثيرگذار در بروز بيماري، ميسر مي گردد. هدف اين مقاله، انتخاب ويژگي هاي موثر در پيش بيني سرطان پستان از بين عادات غذايي، عوامل فرهنگي و نتايج آزمايشگاهي است. براي اين كار يك مدل بهينه مبتني الگوريتم زنبور عسل ژنتيكي براي افزايش دقت يادگيري ماشين معرفي مي شود. روش بررسي: در اين مطالعه، اطلاعات بيماران از پايگاه داده بيمارستان فوق تخصصي مرتاض يزد جمع آوري شده است. پرونده پزشكي 711 بيمار مبتلا به سرطان پستان با تعداد 63 ويژگي مورد بررسي قرار گرفته است. هر يك از بيماران حداقل به مدت دو سال تحت پيگيري بوده اند. ويژگي هاي تاثيرگذار در ابتلا و تشخيص سرطان پستان از بين عادات غذايي، عوامل فرهنگي، علايم باليني و نتايج آزمايشگاهي، با استفاده از الگوريتم GBC و ماشين بردار پشتيبان انتخاب شد. يافته ها: ويژگي هاي استعمال سيگار و قليان، عدم فعاليت ورزشي، اشتغال در شيف شب و تجرد از بين عادات غذايي و عوامل فرهنگي در ارتباط با تشخيص سرطان پستان انتخاب شدند. همچنين مدل پيشنهادي ويژگي هايي مانند: مقايسه نتيجه ماموگرافي قبلي و فعلي، مدت مصرف قرص ضدبارداري، هيستروكتومي، جايگزيني هورمون، ميزان تو رفتگي نوك پستان، ميزان درد، نوع ترشح و توده موجود در تصاوير ماموگرافي را موثر در تشخيص اين بيماري دانست. هيچ ارتباط معناداري بين سرطان پستان و ويژگي هايي مانند استفاده از ماكروفر در آشپزخانه، نوع برنج و روغن مصرفي يافت نشد. نتيجه گيري: با استفاده از عادات غذايي و عوامل فرهنگي در پيش بيني سرطان پستان، مدل پيشنهادي نسبت به ساير مدل هاي مورد مقايسه مانند فازي و شبكه عصبي، داراي حداقل ميزان خطا و بيش ترين دقت و صحت است.

Introduction: The identification of factors influencing the incidence of breast cancer bears great importance. The wide range of symptoms of the disease makes the diagnosis difficult for doctors. Preventing breast cancer could be achieved via a knowledge of the factors affecting the incidence of the disease. The purpose of this paper was to identify variables related to dietary habits, cultural factors, and laboratory results that could contribute to the effective prediction of breast cancer. For this purpose, an optimal model based on genetic bee colony (GBC) algorithm was developed to increase machine learning accuracy. Methods: In this study, patient information was collected from the database of Mortaaz subspecialty hospital in Yazd. Medical records of 711 breast cancer patients were screened for 63 variables. Patients had been followed up for at least two years. Variables most affecting the incidence of breast cancer were identified using the GBC algorithm and backup vector machine. Results: Among diet- and culture-related factors, smoking and hookah use, physical inactivity, nighttime employment, and being single and cultural factors related to breast cancer were selected. Also, based on the proposed model, factors such as comparing the results of previous and current mammograms, the duration of taking contraceptive pills, hysterectomy, hormone replacement therapy, nipple retraction and pain, type of discharge, and detecting a mass in mammograms were effective in detecting the disease. No significant relationship was found between breast cancer and factors such as using the microwave in the kitchen, or the type of rice or oil consumed. Conclusion: Using dietary habits and cultural factors in the prediction of breast cancer, the proposed model has the least error rate and the most accuracy compared with other models such as fuzzy and neural networks.