Comparison of Four Data Mining Algorithms for Predicting Colorectal Cancer Risk
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 270
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ZUMS-29-133_006
تاریخ نمایه سازی: 11 اردیبهشت 1400
چکیده مقاله:
Background and Objective: Colorectal cancer (CRC) is one of the most prevalent malignancies in the world. The early detection of CRC is not only a simple process, but it is also the key to its treatment. Given that data mining algorithms could be potentially useful in cancer prognosis, diagnosis, and treatment, the main focus of this study is to measure the performance of some data mining classifier algorithms in terms of predicting CRC and providing an early warning to the high-risk groups.
Materials and Methods: This study was performed in ۴۶۸ subjects (۱۹۴ CRC patients and ۲۷۴ non-CRC cases). We used the CRC dataset from the Imam Hospital, Sari, Iran. The Chi-square feature selection method was utilized to analyze the risk factors. Then, four popular data mining algorithms were compared based on their performance in predicting CRC, and, finally, the best algorithm was identified.
Results: The best outcome was obtained by J-۴۸ (F-Measure = ۰.۸۲۶, ROC=۰.۸۸۱, precision= ۰.۸۲۶ and sensitivity =۰.۸۲۷), Bayesian Net was the second-best performer (F-Measure = ۰.۷۱۸, ROC=۰.۷۸۴, precision= ۰.۷۱۹ and sensitivity=۰.۷۲۲). Random-Forest performed the third-best (F-Measure= ۰.۷۰۵, ROC=۰.۷۵۸, precision= ۰.۷۱۹, and sensitivity=۰.۷۱۲). Finally, the MLP technique performed the worst (F-Measure = ۰.۷۰۲, ROC=۰.۷۶, precision = ۰.۷۰۱ and sensitivity=۰.۷۰۳).
Conclusion: According to the results, we concluded that the J-۴۸ could provide better insights than other proposed prediction models for clinical applications.
کلیدواژه ها:
نویسندگان
Mostafa Shanbehzadeh
Dept. of Health Information Technology, School of Paramedical, Ilam University of Medical Sciences, Ilam, Iran.
Raoof Nopour
Dept.of Health Information Technology,School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran.
Hadi Kazemi-Arpanahi
Dept. of Health Information Technology, Abadan Faculty of Medical Sciences, Abadan, Iran.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :