انتخاب ویژگی‌های موثر در تشخیص سرطان پستان با استفاده از مدل‌های پارامتریک یادگیری ماشین

چکیده مقدمه: آزمایش آسپیراسیون سوزنی روشی کم هزینه، آسان و سریع برای تشخیص دقیق و زود هنگام سرطان پستان است. با استفاده از خصوصیات استخراج شده از آزمایش آسپیراسیون سوزنی و با کمک تکنیک‌های یادگیری ماشین می‌توان سیستمی کارآمد را برای تشخیص سرطان پستان طراحی نمود که با دقت بالایی خوش‌خیم یا بدخیم بودن تومورهای پستان را تشخیص دهند. هدف از انجام این مطالعه، انتخاب ویژگی‌های موثر در تشخیص سرطان پستان با استفاده از مدل‌های پارامتریک یادگیری ماشین است. روش بررسی: در این مطالعه از داده‌های پایگاه داده WBCD موجود در UCI که شامل 683 نمونه خوش‌خیم و بدخیم تومور پستان که هر نمونه دارای 9 ویژگی است استفاده شد. سپس انتخاب ویژگی با روش پیش‌رو ‌و دسته‌بندی نوع تومور با انواع روش‏های پارامتریک مانند دسته‌بندی درجه دو، دسته‌بندی خطی و دسته‌بندی‌ نزدیک‏ترین میانگین انجام گرفت. یافته‌ها: روش پارامتریک دسته‌بندی‌ درجه دو با استفاده از انتخاب ویژگی پیش‌رو، بالاترین کارایی را در تشخیص سرطان پستان دارد. این روش با انتخاب چهار ویژگیUniformity of cell size, Bare nuclei, Bland chromatin, Mitoses دارای دقت 90/98% و حساسیت 89/97% است. همچنین در همه روش‌ها ویژگی‌های Uniformity of cell size و Bare nuclei بالاترین کارایی را دارند. نتیجه‌گیری: نتایج این مطالعه نشان داد که با روش انتخاب ویژگی پیش‌رو و تکنیک‌های پارامتریک یادگیری ماشین، علاوه بر دست‌یابی به عملکرد بالا در تشخیص سرطان پستان، عوامل و ویژگی‌های اصلی در تشخیص سرطان پستان نیز شناسایی می‌شوند. به نظر می‌رسد این ویژگی‌ها یکی از مهم‏ترین عوامل برای کمک به تشخیص سرطان پستان هستند.