رضا قائمی - گروه مهندسی کامپیوتر، واحد قوچان، دانشگاه آزاداسلامی، قوچان، ایران
مهدی منسوبی - گروه مهندسی کامپیوتر، واحد نیشابور، دانشگاه آزاداسلامی، نیشابور، ایران

سرطان ریه یکی از کشنده ترین سرطان ها بوده که تشخیص آنها در مراحل اولیه می تواند تاثیر بهسزایی در بالا بردن احتمال زنده ماندن فرد و کاهش هزینه های درمان داشته باشد. بنابراین، ارایه یکطبقه بندی کننده دقیق مهم ترین جزء یک سیستم تشخیص سرطان ریه است که به متخصصینپزشکی در مراحل اولیه تشخیص سرطان کمک می کند. طبقه بندها که موتور سیستم های خبرهتشخیص سرطان ریه را تشکیل می دهند بر اساس کاوش داده ها و استخراج دانش کار می کنند کهحجم بالای داده های ذخیره شده مربوط به سرطان ها این سیستم ها را با چالشی بزرگ روبرو کردهاست. با توجه به اهمیت دقت تشخیص و حجم بالای داده ها در پایگاه داده های پزشکی، ما بر مسالهکاهش ابعاد داده با کمترین از دست دادن اطلاعات و بهبود مشکل شبکه عصبی مصنوعی در کار با کلانداده ها تمرکز می کنیم. بنابراین با تکیه بر این اصل که روش های ترکیبی به خاطر کاهش نقاط ضعفیکدیگر همواره عملکرد بهتری نسبت به روش های انفرادی دارند، یک روش ترکیبی مبتنی بر اتوانکودر وشبکه عصبی مصنوعی پیشنهاد می کنیم. نتایج حاصل از رویکرد پیشنهادی را از نظر تشخیص درست بااجرا بر روی یک مجموعه تصویر ریه تجزیه و تحلیل کرده و آن را با روش شبکه عصبی مصنوعی موردمقایسه قرار دادیم. روش ترکیبی پیشنهادی مبتنی اتوانکودر و شبکه عصبی مصنوعی با ۱۸ مشخصهانتخابی و شبکه عصبی مصنوعی به تنهایی با ۵۷ مشخصه به ترتیب دقتی برابر ۹۳.۷۵ و ۹۶.۸۷ حاصلمی دهند که این نشان می دهد روش پیشنهادی با ۶۸ % کاهش ابعاد داده تنها ۳.۲% کاهش دقت دارد.

تشخیص سرطان ریه، سیستم خبره، شبکه عصبی مصنوعی، اتوانکودر و یادگیری ماشین