يك روش طبقه‌بندي تركيبي براي تشخيص سرطان پستان با استفاده از الگوريتم ژنتيك و تنظيم چند مرحله‌اي وزن‌ها در شبكه عصبي MLP

An Ensemble Classifier Method for Breast Cancer Detection Using Genetic Algorithm and Multistage Adjustment of Weights in the MLP Neural Network

امروزه با گسترش روز افزون علم، استفاده از سيستم ­هاي پشتيبان تصميم مي ­تواند كمك زيادي در سياست هاي درماني پزشك داشته باشد. بدين منظور استفاده از سيستم ­هاي هوشمند مصنوعي در پيش­بيني و تشخيص سرطان پستان كه يكي از رايج­ترين سرطان­ ها در بين زنان مي ­باشد، مورد توجه است. در اين مقاله فرآيند تشخيص بيماري سرطان پستان با استفاده از تنظيم چند مرحله ­اي وزن ­ها در شبكه عصبي MLP در دو لايه انجام مي ­شود. در لايه اول، سه طبقه ­بند وجود دارد كه به طور همزمان روي داده ­هاي مجموعه يادگيري آموزش مي­ بينند. پس از اتمام آموزش خروجي طبقه ­بندهاي لايه اول جمع­آوري شده و به همراه داده ­هاي مجموعه يادگيري در مجموعه­ اي جديد قرار مي­ گيرند. اين مجموعه به عنوان ورودي به فراطبقه ­بند لايه دوم داده مي­ شود و فراطبقه ­بند نگاشت ميان خروجي ­هاي هر يك از طبقه ­بندهاي معمولي لايه اول را با كلاس­ هاي خروجي واقعي مدل مي ­كند. ساختار سه طبقه ­بند لايه اول و همچنين فراطبقه ­بند لايه دوم يك شبكه عصبي MLP است كه وزن­ ها، ويژگي­ هاي موثر و اندازه لايه مخفي در آن به طور همزمان با استفاده از يك الگوريتم ژنتيك ابتكاري بهينه ­سازي مي­ شود. به منظور ارزيابي دقت مدل پيشنهادي از پايگاه داده ويسكانسين استفاده مي ­شود كه با تست FNA ايجاد شده است. نتايج آزمايش ­ها روي مجموعه داده WBCD دقت 98.72% را براي روش پيشنهادي نشان مي­ دهد كه نسبت به الگوريتم­ هاي GAANN، CAFS عملكرد بهتري ارائه داده است.

Today, with the increasing spread of science, the use of decision support systems can be of great help in the therapeutic policies of the Doctor. For this purpose, the use of artificial intelligence systems in predicting and diagnosing breast cancer, which is one of the most common cancers among women, is being considered. In this study, the process of diagnosis of breast cancer is done by using multistage weights in the MLP neural network in two layers. In the first layer, the three classifiers are trained simultaneously on the learning set data. Upon completion of the training, the output of the classifier of the first layer is accumulated together with the learning set data in the new sets. This set is given as an input to the second layer superconductor, and the supra-class mapping maps between the outputs of each of the ordinary classifiers of the first layer with the actual output classes. The three-layer structure of the first layer, as well as the second-layer supraclavicle, is a MLP neural network that optimizes the weights, effective properties and the size of the hidden layer simultaneously using an innovative genetic algorithm. In order to evaluate the accuracy of the proposed model, the Wisconsin database is used, which was created by the FNA test. Experiment results on the WBCD dataset the accuracy is 98.72% for the proposed method, which is relative to GAANN, CAFS algorithms provide better performance.