ارائه روشی مبتنی بر یک الگوریتم تکاملی برای دستیابی به مدلی کارآمد از شبکه عصبی مصنوعی جهت پیش بینی وضعیت تومورهای پستان
نویسندگان
چکیده مقاله:
Background and purpose: Intelligent methods such as artificial neural networks (ANN) have been recently used as an efficient model for prediction and classification of tumors. Diagnosis of benign and malignant breast tumors based on morphological, clinical and demographic features without using invasive paraclinical methods is very important. The aim of this study was to provide a neural network model to predict the status of breast tumors and compare its efficacy with the common regression model. Materials and methods: In this study, Wisconsin breast cancer database was used. It was obtained from cytology results of the breast tumors of 683 patients. In the proposed model different features such as clump thickness, uniformity of cell size, uniformity of cell shape, etc. were used as input variables. We applied the genetic algorithm (GA) for determination of the best structure and training of multi-layer NN model was implemented in MATLAB. The performance of proposed NN model was compared appling logistic regression (LR) in SPSS. 5-fold cross validation was used for accurate calculation of the performance of the models. Results: The results found GA capable of determining the best structure for a multi-layer NN and train it properly. In different performances the best NN structure was NN(9-8-6-1) with an average accuracy, sensitivity, specificity, and AUC (area under ROC curve) of 0.971, 0.988, 0.962, and 0.9955, respectively, while the values of the corresponding parameters for LR were 0.968, 0.975, 0.964 and 0.9954, respectively. Conclusion: The achieved ANN model could be used as a method with high sensitivity and specificity alongside common non-invasive diagnostic methods as a diagnosis support system to identify benign and malignant breast tumors.
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
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 25 شماره 130
صفحات 100- 115
تاریخ انتشار 2015-11
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی برای این مقاله ارائه نشده است
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023