ارزیابی تأثیر انتخاب ویژگی و توابع کرنل مختلف در عملکرد SVM برای تشخیص سرطان پستان

مقدمه: سرطان پستان یکی از رایج‌ترین سرطان‌ها در میان زنان است. در تصاویر ماموگرافی، تشخیص تومورهای خوش‌خیم از بدخیم به دلیل شباهت ساختاری کاری دشوار و زمان‌بر است. یادگیری ماشین یک شاخه از هوش مصنوعی است که می‌تواند به صورت ابزاری کمکی در کنار پزشک قرار گیرد و آن‌ها را در تصمیم‌گیری یاری کند. ماشین بردار پشتیبان SVM یکی از رایج‌ترین روش‌های یادگیری ماشین است که عملکرد آن به نوع تابع کرنل و ویژگی‌های ورودی وابسته است. هدف این مطالعه، بررسی تأثیر انتخاب ویژگی و توابع کرنل مختلف در عملکرد SVM می‌باشد. روش: این مطالعه از نوع تحلیلی بود و با روش مقایسه‌ای انجام گرفت. انتخاب بهترین ویژگی‌ها توسط الگوریتم ژنتیک انجام شد. سپس SVM با توابع کرنلی مختلف شامل چندجمله‌ای، خطی، توابع شعاعی پایه، درجه دو و پرسپترون چندلایه ابتدا با تمام ویژگی‌ها و سپس با ویژگی‌های منتخب آموزش و ارزیابی شد. به منظور ارزیابی عملکرد طبقه‌بندها از مجموعه داده سرطان پستان ویسکانسین و پیاده‌سازی مدل‌ها در متلب انجام شد. نتایج: نتایج نشان داد که بعد از انتخاب ویژگی عملکرد SVM با تابع کرنل پرسپترون چندلایه کاهش و با تابع کرنل درجه دو افزایش یافت. با این حال، عملکرد توابع کرنل خطی و تابع شعاعی پایه در هر دو حالت مطلوب بود. به طور کلی، بعد از کاهش بعد، بهترین مقدار دقت، ویژگی، حساسیت و صحت به ترتیب به میزان 0/663‌، 0/833، 1/077 و 0/138 درصد کاهش یافت. نتیجه‌گیری: روش‌های مبتنی بر تکنیک‌های یادگیری ماشین می‌توانند پزشکان را در تصمیم‌گیری برای درمان یا تشخیص بیماری یاری کنند.