افزایش دقت پیشبینی سرطان پستان با استفاده از الگوریتم ژنتیک و دادهکاوی
نویسندگان
چکیده مقاله:
مقدمه: سرطان پستان یکی از شایعترین علت مرگ و میر در زنان محسوب میشود. پیشبینی صحیح سرطان پستان دارای اهمیت است. وجود علایم و ویژگیهای مختلف این بیماری، تشخیص را برای پزشکان دشوار میکند. دادهکاوی امکان تحلیل دادههای بالینی بیماران برای تصمیمگیریهای پزشکی را فراهم میکند. هدف این مقاله، ارایه یک مدل برای افزایش دقت پیشبینی سرطان پستان است. روش بررسی: در این مطالعه، پرونده پزشکی 574 بیمار مبتلا به سرطان پستان با تعداد 32 ویژگی مورد بررسی قرار گرفته است. اطلاعات بیماران از پایگاه داده استاندارد بیمارستان فوق تخصصی مرتاض یزد جمعآوری شده است. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بودهاند. به منظور ارایه مدل پیشبینی سرطان پستان از الگوریتم ژنتیک و دادهکاوی استفاده میشود. یافتهها: مدل پیشنهادی با روشهای درخت تصمیمگیری، نایو بیز و نزدیکترین همسایه مورد مقایسه قرار گرفت. نتایج نشان میدهد که دقت پیشبینی مدل پیشنهادی برابر با 973/0 بوده است. همچنین برای روشهای نایو بیز، درخت تصمیمگیری و نزدیکترین همسایه دقت پیشبینی به ترتیب برابر با 913/0، 929/0 و 951/0 میباشد. نتیجهگیری: در پیشبینی سرطان پستان، مدل پیشنهادی نسبت به سایر مدلهای مورد مقایسه دارای حداقل میزان خطا و بیشترین دقت و صحت است. روش نایو بیز، حداکثر میزان خطا و کمترین دقت را دارا میباشد.
منابع مشابه
افزایش دقت پیش بینی سرطان پستان با استفاده از الگوریتم ژنتیک و داده کاوی
مقدمه: سرطان پستان یکی از شایعترین علت مرگ و میر در زنان محسوب میشود. پیشبینی صحیح سرطان پستان دارای اهمیت است. وجود علایم و ویژگیهای مختلف این بیماری، تشخیص را برای پزشکان دشوار میکند. دادهکاوی امکان تحلیل دادههای بالینی بیماران برای تصمیمگیریهای پزشکی را فراهم میکند. هدف این مقاله، ارایه یک مدل برای افزایش دقت پیشبینی سرطان پستان است. روش بررسی: در این مطالعه، پرونده پزشکی 574 بیما...
متن کاملاستخراج الگوی پروتئینی از دادهطیفجرمیلیزری جهت تشخیص سرطان پستان با استفاده از الگوریتم دادهکاوی
زمینه و هدف: یکی از مشکلات اساسی در درمان بیماری سرطان، عدم وجود روشی مناسب در تشخیص زودرس آن میباشد. سرطان پستان یکی از بیماریهای شایع در بین زنان میباشد که تشخیص در مراحل اولیه میتواند تأثیر بسزایی در میزان مرگ و میر زنان داشته باشد. در حال حاضر، نشانگرهای تومور مناسب برای تشخیص زودرس این بیماری وجود ندارد. واکنشهای شیمیایی درون یک عضو زنده میتواند بصورت الگوهایی پروتئینی در مایعاتی ...
متن کاملاستخراج الگوی پروتئینی از دادهطیفجرمیلیزری جهت تشخیص سرطان پستان با استفاده از الگوریتم دادهکاوی
زمینه و هدف: یکی از مشکلات اساسی در درمان بیماری سرطان، عدم وجود روشی مناسب در تشخیص زودرس آن میباشد. سرطان پستان یکی از بیماریهای شایع در بین زنان میباشد که تشخیص در مراحل اولیه میتواند تأثیر بسزایی در میزان مرگ و میر زنان داشته باشد. در حال حاضر، نشانگرهای تومور مناسب برای تشخیص زودرس این بیماری وجود ندارد. واکنشهای شیمیایی درون یک عضو زنده میتواند بصورت الگوهایی پروتئینی در مایعاتی ...
متن کاملافزایش دقت مکان یابی با استفاده از الگوریتم ترکیبی TOA/TDOA در سامانه زمین پایه لورن
در سیستم های ناوبری به منظور مکان یابی بایستی ابتدا زمان ورود یا اختلاف زمان ورود سیگنال محاسبه و سپس با استفاده از یک الگوریتم مشخص، اختلاف زمانی حاصل را به اطلاعات طول و عرض جغرافیایی تبدیل نمود. در این مقاله، هدف تحلیل الگوریتم های ترکیبی تخمین زمان ورود به منظور امکان بهینه سازی دقت مکان یابی در سامانه های مکان یاب زمین پایه لورن می باشد. بدین منظور ابتدا الگوریتم های متداول تخمین ...
متن کاملبهینه سازی شبکه عصبی MLP با استفاده از الگوریتم ژنتیک موازی FinGrain برای تشخیص سرطان سینه
امروزه استفاده از سیستمهای هوشمند در تشخیص پزشکی به تدریج در حال افزایش است. این سیستمها میتوانند به کاهش خطایی که ممکن است توسط کارشناسان کمتجربه اتفاق بیافتد، کمک کند. بدین منظور استفاده از سیستمهای هوشمند مصنوعی در پیشبینی و تشخیص سرطان سینه که یکی از رایجترین سرطانها در بین زنان است، مورد توجه میباشد. در این تحقیق فرآیند تشخیص بیماری سرطان سینه با یک رویکرد دو مرحلهای انجام...
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 9 شماره 1
صفحات 45- 56
تاریخ انتشار 2016-07
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