عنوان مقاله :
پيش‌بيني بقاء بيماران مبتلا به سرطان ريه با استفاده از سيستم استنتاج عصبي- فازي تطبيقي بهبوديافته
عنوان به زبان ديگر :
Predicting Survival of Patients with Lung Cancer Using Improved Adaptive Neuro-Fuzzy Inference System
پديد آورندگان :
عباسي، ام البنين دانشگاه آزاد اسلامي واحد مباركه - گروه مهندسي كامپيوتر، اصفهان , رمضان پور، محمدرضا دانشگاه آزاد اسلامي واحد مباركه - گروه مهندسي كامپيوتر، اصفهان , خورسند، ريحانه دانشگاه آزاد اسلامي واحد دلت آباد - گروه مهندسي كامپيوتر، اصفهان
كليدواژه :
داده‌كاوي , پيش‌بيني بقا , سرطان ريه , نرخ بقاء
چكيده فارسي :
مقدمه: سرطان ريه منبع اصلي مرگ‌ومير براي مردان و زنان در سراسر جهان مي‌باشد. بيماري ريه توسعه و رشد غيرقابل‌كنترل سلول‌ها در يك يا هر دو ريه مي‌باشد. تشخيص زودرس سرطان آسان نيست؛ اما اگر سريع تشخيص داده شود، قابل‌درمان است. هدف از اين مطالعه، ساخت مدل بهينه پيش‌بيني كننده بقاء بيماران مبتلابه سرطان ريه بر اساس ويژگي‌هاي بيماران با رويكرد داده‌كاوي مي‌باشد.
روش: در اين مطالعه توصيفي- كاربردي، از الگوريتم سيستم استنتاج عصبي فازي تطبيقيANFIS و الگوريتم بهينه‌سازي ازدحام ذرات PSO براي پيش‌بيني بقاء بيماران مبتلابه سرطان ريه استفاده شد. در اين مطالعه، از پايگاه داده معتبر برنامه نظارت، اپيدمي‌شناسي و نتايج نهايي SEER دانشگاه لوييزول آمريكا استفاده شد. براي ارزيابي روش پيشنهادي از معيارهاي دقت، صحت، خطا و جذر خطاي ميانگين مربعات استفاده شد.
نتايج: نتايج نهايي به دست‌آمده در اين مطالعه نشان‌دهنده برتري روش بهينه‌سازي ANFIS با الگوريتم PSO نسبت به ساير روش‌ها، در راستاي پيش‌بيني بقاء بيماران مبتلابه سرطان ريه با متوسط صحت برابر 99/80% براي بقاء يك‌ساله، 99/74% براي بقاء دوساله و 99/66% براي بقا پنج‌ساله بر روي مجموعه داده SEER بود.
نتيجه گيري: استفاده از مدل بهينه‌سازي شده ANFIS با الگوريتم PSO در پيش‌بيني بقاء بيماران مبتلا به سرطان ريه بسيار قدرتمند است. مدل پيشنهادي نسبت به ساير مدل‌هاي مورد مقايسه داراي بيشترين صحت، دقت و كمترين ميزان خطا بوده است؛ بنابراين به‌كارگيري ايـن مـدل درزمينه پيش‌بيني بقا پيشنهاد مي‌شود.
چكيده لاتين :
Introduction: Lung cancer is the main cause of mortality in both genders worldwide. This
disease is caused by the uncontrollable growth and development of cells in both or one of
the lungs. Although the early diagnosis of this cancer is not an easy task, the earlier it is
diagnosed, the higher will be the chance of treating. The objective of this study was to
develop an optimized prediction model of the survival of patients with lung cancer based on
patients’ characteristics through data mining approach.
Method: In this applied-descriptive study, the Adaptive Neuro-Fuzzy Inference System
(ANFIS) algorithm and the Particle Swarm Optimization (PSO) algorithm were applied to
predict the survival rate of patients with lung cancer. The Surveillance, Epidemiology and
End-Results (SEER) database of Louisville University, USA was also utilized. The
evaluation of this proposed model was conducted based on certain criteria including
accuracy, precision, error and root-mean-square error.
Results: The obtained finding indicate the outperformance of ANFIS through PSO
algorithm vs. its counterparts in this context with a 99.80 accuracy for one-year survival,
99.74% for two-years and 99.66% for five-years on SEER dataset.
Conclusion: Applying ANFIS through PSO in predicting the survival of patients with lung
cancer is a strong measure. Compared with other models, this newly proposed model was
of the highest accuracy and precision and of the lowest error rate. Therefore, it is suggested
to apply this model for predicting survival of patient.
عنوان نشريه :
مجله انفورماتيك سلامت و زيست پزشكي
