تعیین مرحله بالینی بیماران مبتلا به سرطان پستان با استفاده از سیستم TNM و الگوریتم کلونی مورچگان

مقدمه: میزان پیشرفت سرطان پستان (مرحله،Staging )، یکی از مهم‏ ترین عوامل تعیین کننده میزان بقای فرد بیمار و انتخاب روش‏های درمانی مناسب توسط پزشکان است. معمولا تعیین پیشرفت سرطان پستان، پس از عمل جراحی و از طریق ارزیابی بافت شناسی انجام می ‏شود. از این رو یافتن الگوریتم مناسبی که بتواند میزان پیشرفت و همچنین مرحله (Staging) سرطان پستان را تعیین کند، به پزشکان در ارایه روش‏ های درمانی مناسب کمک فراوانی خواهد کرد. لذا در این پژوهش تلاش شده است تا با استفاده از تکنیک‏ های داده ‏کاوی، یک مدل قوی پیش ‏بینی مرحله سرطان پستان معرفی گردد. روش بررسی: در این پژوهش، یک مدل مکانیزه با استفاده از سیستم TNM و همچنین استفاده از الگوریتم کلونی مورچگان، برای تشخیص مرحله سرطان پستان، پیشنهاد شده است. این روش‏ ها به دلیل عدم نیاز به عمل جراحی، باعث کاهش زیاد هزینه‏ ها و آسیب‏ های روحی بیمار می‏ شود. برای ارزیابی سیستم، از دیتاست بین‏المللی SEER و  یک دیتاست محلی از اطلاعات 1148 بیمار زن مبتلا به سرطان پستان، استفاده شد و دو معیار «دقت» و «سطح زیر نمودار راک» برای طبقه بندی های مختلف محاسبه گردید. یافته ‏ها: با استفاده از سیستم TNM برای دیتاست SEER، دقت 93/99% و برای دیتاست محلی، دقت 91/99% و با استفاده از الگوریتم کلونی مورچگان، برای دیتاست SEER دقت 43/99% و برای دیتاست محلی، دقت 95/98% بدست آمد. همچنین مشخص گردید علاوه بر ویژگی‏ های مورد استفاده مرسوم T ، N و M، ویژگی‏ های دیگری همچون تهاجم عروقی، سن بیمار، گروه خونی، تعدا فرزندان، محل تولد، بافت شناسی سلولی، نوع بافت درگیر و Site-Specific Factor های شماره 2 ، 3 و 6 نیز می‏ توانند به عنوان عوامل مهم در تعیین مرحله بالینی بیماران مبتلا به سرطان پستان استفاده شوند. نتیجه‏ گیری: بر اساس نتایج حاصل، دو طبقه ‏بند Logistic و Multi Class Classifier به ترتیب دارای بالاترین میزان دقت برای دیتاست‏ های SEER و محلی این پژوهش هستند.