ارائه روشی مبتنی بر یک الگوریتم تکاملی برای دستیابی به مدلی کارآمد از شبکه عصبی مصنوعی جهت پیش بینی وضعیت تومورهای پستان
نویسندگان
چکیده
سابقه و هدف: اخیراً روش های هوشمند نظیر شبکه های عصبی مصنوعی به عنوان یک مدل کارآمد جهت پیش بینی و طبقه بندی تومورها مورد استفاده قرار گرفته اند. تشخیص خوش خیمی و یا بدخیمی توده های پستانی بر اساس خصوصیات مورفولوژیک، بالینی و دموگرافیک و بدون استفاده از روش های تهاجمی پاراکلینیکی بسیار با اهمیت است. هدف این پژوهش ارائه یک مدل شبکه عصبی برای پیش بینی وضعیت تومورهای پستان و مقایسه کارآمدی آن با مدل رایج رگرسیونی می باشد. مواد و روش ها: wisconsin breast cancer database به عنوان مجموعه داده ای این تحقیق، مورد استفاده قرار گرفته است. این مجموعه، از طریق نتایج سیتولوژی تومورهای ناحیه پستان 683 بیمار مختلف به دست آمده است. ویژگی هایی هم چون ضخامت توده، یکنواختی اندازه و شکل سلول و ... به عنوان متغیرهای ورودی مدل پیشنهادی به کار رفته اند. از الگوریتم ژنتیک (ga) برای تعیین بهترین ساختار و نیز آموزش مدل شبکه عصبی چند لایه استفاده و پیاده سازی آن در نرم افزار matlab انجام گردیده است. کارایی مدل شبکه عصبی پیشنهادی با رگرسیون لجستیک مقایسه و برازش مدل رگرسیون لجستیک در نرم افزار spss انجام شده است. برای محاسبه دقیق کارایی مدل ها از تکنیک 5-fold cross validation استفاده شده است. یافته ها: نتایج نشان داد که ga توانایی تعیین بهترین ساختار برای یک شبکه چند لایه را دارد و شبکه را نیز به نحو مطلوب آموزش می دهد. بر اساس نتایج حاصله، پس از اجراهای مختلف، بهترین مدل شبکه عصبی با ساختار nn(9-8-6-1) به دست آمد که دقت، حساسیت، ویژگی و سطح زیر منحنیroc آن به طور میانگین به ترتیب971/0، 988/0و962/0 و 9955/0 بود. ضمن آن که مقادیر همین پارامترها برای رگرسیون لجستیک به ترتیب 968/0، 975/0، 964/0 و 9954/0 به دست آمد. استنتاج: بدین ترتیب مدل شبکه عصبی به دست آمده می تواند در کنار روش های تشخیصی غیر تهاجمی معمول، به عنوان یک سیستم پشتیبان تشخیص با حساسیت و ویژگی بالا، جهت شناسایی تومورهای خوش خیم و بدخیم پستان مورد استفاده قرار گیرد.
منابع مشابه
ارائه مدلی جهت پیش بینی بیماری دیابت با استفاده از شبکه عصبی
Introduction: Meta-heuristic and combined algorithms have a great capability in modelling medical decision making. This study used neural networks in order to predict Type 2 Diabetes (T2D) among high risk individuals. Methods: This study was an applied research. Data from 545 individuals (diabetic and non-diabetic), in Diabetes Clinic of Hamedan University of Medical Sciences, we...
متن کاملارائه مدلی برای پیش بینی بیماری لیشمانیوز جلدی (سالک) با استفاده از سامانه اطلاعات مکانی و الگوریتم شبکه عصبی
بیماری سالک، از بیماری‌های انگلی می‌باشد که در شمار بیماری‌های مشترک بین انسان و حیوان قرار می‌گیرد. این بیماری از شایع‌ترین فرم بیماری لیشمانیوز است که توسط گونه‌های مختلف انگل لیشمانی...
متن کاملمدلی برای پیش بینی آسیب پذیری تحصیلی در مقطع کارشناسی مبتنی بر شبکه عصبی
هدف پژوهش حاضر، توسعه مدلی برای پیشبینی شرایط اخراج آموزشی دانشجویان مقطع کارشناسی رشتههای مهندسی بوده که به روش دادهکاوی و با استفاده از الگوریتم شبکه عصبی به اجرا درآمده است. جامعه آماری، دربرگیرنده کلیه پذیرفتهشدگان سالهای 1387 لغایت 1390 در سه مورد از دانشگاههای فنی و مهندسی کشور بوده است. دادههای پژوهش با بهرهبرداری مستقیم از سیستمهای آموزش هر سه دانشگاه در مدلسازی وارد شدند. نت...
متن کاملشبکه های عصبی مصنوعی : مدلی برای پیش بینی
با توجه به محدودیتها و ابهامهای موجود در مدلهای متداول آماری مانند از دست دادن دادههای مربوط به تعاملهای پیچیده و غیرخطی بین سازههای روانشناختی و برخی مفروضهها مانند همگونی واریـانسها و توزیع نرمال، پژوهش حاضر توانایی مدلهای شبکههای عصبی مصنوعی را برای مطالعات پیشبینی بررسی کرد. گروه نمونهای شامل 456 دانش ـ آموز پسر سال سوم دبیرستان پرسشنامه شخصیتی کالیفرنیا (cpi؛ گاف، 1975) و پرسشنـام...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
مجله دانشگاه علوم پزشکی مازندرانجلد ۲۵، شماره ۱۳۰، صفحات ۱۰۰-۱۱۵
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023