تعيين مرحله باليني سرطان پستان توسط الگوريتم هاي داده كاوي

Determining the stage of breast cancer by data mining algorithms

مقدمه: سرطان پستان شايع ترين سرطان زنان در ايران است. مرحله باليني بيماري (stage) تعيين كننده نوع درمان، پيش آگهي و ميزان بقا است. هدف اصلي از اين مقاله، انتخاب يك الگوريتم مناسب است كه بتواند مرحله بيماري فرد مبتلا به سرطان پستان را تعيين كند. روش بررسي: در اين مطالعه توصيفي - تحليلي، داده هاي اندازه تومور، درگيري غدد لنفاوي و متاستاز مربوط به 732 بيمار مبتلا به سرطان پستان در بيمارستان ولي عصر بيرجند مورد استفاده قرار گرفت. از اين داده ها جهت انتخاب الگوريتمي مناسب از ميان الگوريتم هاي درخت تصميم، شبكه هاي عصبي مصنوعي، شبكه هاي بيزين و K- نزديك ترين همسايه براي تشخيص مرحله بيماري فرد جديد استفاده شده است. يافته ها: بررسي ها نشان مي دهد كه الگوريتم K- نزديك ترين همسايه مي تواند با احتمال 96% به درستي مرحله بيماري فرد مراجعه كننده را با اندازه گيري اندازه تومور، ميزان درگير بودن غدد لنفاوي و ميزان متاساز را تشخيص دهد. نتيجه گيري: الگوريتم K- نزديك ترين همسايه در تشخيص مرحله باليني سرطان پستان، بيشترين دقت را دارد.

Background: Breast cancer is the most common female cancer in Iran. Type of treatment, prognosis and survival rate are depends on the clinical stage. The main objective of this paper is to select an appropriate algorithm that can determine the stage of disease in breast cancer patients. Methods: In this descriptive - analytical study, data of tumor size, lymph node involvement, and metastasis of breast cancer in 732 patients in ValiAsr Hospital, Birjand was used. These data were used to select the appropriate algorithm of the decision tree algorithms, artificial neural networks, Bayesian networks, and K-nearest neighbor, to determine the stage of the disease a new person. Results: Studies show that the K-nearest neighbor algorithm can detect accurately stage disease patients, with 96% probability of measuring tumor size, lymph node involvement and the extent of the amount metastasis Conclusion: K-nearest neighbor algorithm has the most accurate for the detection of breast cancer. Keywords: Breast Cancer, Data Mining Algorithms, Decision Tree, Artificial Neural Network.