تشخیص سرطان پستان با استفاده از کاهش دو مرحله‌ای ویژگی‌های استخراج شده آسپیراسیون سوزنی و الگوریتم‌های داده‌کاوی

چکیده مقدمه: تشخیص زودهنگام سرطان پستان نقش بسیار کلیدی در درمان و حیات بیمار ایفا می‌کند. امروزه با استفاده از خصوصیات استخراج شده از آزمایش آسپیراسیون سوزنی و الگوریتم‌های داده‌کاوی می‌توان روش‌های نوین و هوشمندی در نظام سلامت و درمان ارایه داد که با دقت بالایی قادر به تشخیص سرطان پستان باشند، هدف از انجام این مطالعه تشخیص سرطان پستان با استفاده از کاهش دو مرحله‌ای ویژگی‌های استخراج شده آسپیراسیون سوزنی و الگوریتم‌های داده‌کاوی است. روش بررسی: در این مطالعه از داده‌های پایگاه داده WDBC موجود در UCI استفاده شد. این پایگاه شامل 569 نمونه خوش‌خیم و بدخیم توده پستان با 31 ویژگی است که ویژگی اول شماره شناسه پرونده بیمار و بقیه‌ی ویژگی‌ها نتایج کمی آزمایش آسپیراسیون سوزنی برای هر نمونه است. در این تحقیق، برای افزایش کارایی سیستم‌های تشخیص سرطان پستان روش کاهش ویژگی دو مرحله‌ای پیشنهاد شد و عملکرد روش‌های درخت تصمیم J48، بیزین ساده، طبقه‌بندی‌کننده درجه دوم، ماشین بردار پشتیبان و روش k نزدیکترین همسایه بر روی ویژگی‌های کاهش یافته مورد بررسی قرار گرفت. یافته‌ها: بررسی‌های صورت گرفته نشان دادند که کاهش ویژگی دو مرحله‌ای موجب افزایش دقت الگوریتم‌های داده‌کاوی در تشخیص سرطان پستان می‌شود. دقت مدل ایجاد شده با استفاده از کاهش ویژگی دو مرحله‌ای مبتنی بر ضریب همبستگی و الگوریتمPCA در روش نزدیکترین همسایه براساس فاصله اقلیدسی54/97% می‌باشد که نسبت به سایر روش‌ها دارای بالاترین دقت است. نتیجه‌گیری: نتایج این مطالعه نشان داد که با استفاده از الگوریتم‌های داده‌کاوی و کاهش ویژگی دو مرحله‌ای مبتنی بر انتخاب ویژگی و استخراج ویژگی می‌توان با دقت بالایی سرطان پستان را تشخیص داد. در واقع با استفاده از این روش‌ها می‌توان سیستم‌های نوینی برای کمک به پزشکان طراحی نمود که موجب تسهیل در فرآیندهای تشخیصی و درمانی شوند.