پيش بيني بدخيمي تومور پستان با استفاده از شبكه عصبي و الگوريتم بهينه سازي وال (WOA)

(Prediction of Breast Tumor Malignancy Using Neural Network and Whale Optimization Algorithms (WOA

مقدمه: سرطان پستان به عنوان يكي از شايع‌ترين علل مرگ‌ و ‌مير در ميان زنان در نظر گرفته مي‌شود. تشخيص زودهنگام سرطان پستان شانس زنده ماندن را افزايش مي‌دهد. مطالعه حاضر جهت پيش‌بيني دقيق‌تر و تصميم‌گيري مؤثرتر در درمان بيماران مبتلا به سرطان پستان صورت گرفته است. روش بررسي­: مطالعه حاضر كه از نوع كاربردي و توصيفي-تحليلي بر اساس بهره‌گيري از روش‌هاي كامپيوتري است، جامعه‌ي هدف آن متشكل از 699 مورد بيماران مبتلا به سرطان پستان خوش‌خيم و بدخيم با 9 متغير ورودي روي مجموعه داده‌هاي بيماري سرطان پستان پايگاه UCI انجام شده است، قبل از نرمال‌سازي داده‌ها از الگوريتم EM براي داده‌كاوي استفاده شده است. سپس از مدل تركيب شبكه عصبي مبتني بر ساختار پرسپترون چند لايه با الگوريتم بهينه‌سازي وال (WOA) براي پيش‌بيني بدخيمي تومور پستان استفاده شده است و دقت و پيش‌بيني آن مورد بررسي و مقايسه قرار گرفته است. يافته‌ها: نتايج مطالعه حاضر نشان مي‌دهد كه پس از پيش‌پردازش مجموعه داده‌هاي بيماري، دقت الگوريتم پيشنهادي براي داده‌هاي آموزش و آزمون به ترتيب برابر با 99/6 و 99 بوده است و همچنين دقت پيش بيني مدل پيشنهادي برابر 99/4 به دست آمد كه با مقايسه صورت گرفته نسبت به روش‌هاي مختلف يادگيري ماشين در مطالعات ديگر نتيجه خوبي مي‌باشد. نتيجه ­گيري: با توجه به اهميت تشخيص زودهنگام بيماري سرطان پستان، يافته‌هاي اين مطالعه مي‌تواند به برنامه‌ريزان و ارائه‌كنندگان خدمات سلامت در برنامه‌هاي تشخيص به ‌موقع اين بيماري كمك شاياني نمايد.

Introduction Breast cancer is the most prevalent cause of cancer mortality among women. Early diagnosis of breast cancer gives patients greater survival time. The present study aims to provide an algorithm for more accurate prediction and more effective decision-making in the treatment of patients with breast cancer. Methods The present study was applied, descriptive-analytical, based on the use of computerized methods. We obtained 699 independent records containing nine clinical variables from the UCI machine learning. The EM algorithm was used to analyze the data before normalizing them. Following that, a combination of neural network model based on multilayer perceptron structure with the Whale Optimization Algorithm (WOA) was used to predict the breast tumor malignancy. Results After preprocessing the disease data set and reducing data dimensions, the accuracy of the proposed algorithm for training and testing data was 99.6% and 99%, respectively. The prediction accuracy of the proposed model was 99.4%, which would be a satisfying result compared to different methods of machine learning in other studies. Conclusion Considering the importance of early diagnosis of breast cancer, the results of this study may have highly useful implications for health care providers and planners so as to achieve the early diagnosis of the disease.