ارائه روشی مبتنی بر یک الگوریتم تکاملی برای دستیابی به مدلی کارآمد از شبکه عصبی مصنوعی جهت پیش بینی وضعیت تومورهای پستان
سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 55
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JMUMS-25-130_010
تاریخ نمایه سازی: 2 آبان 1402
چکیده مقاله:
سابقه و هدف: اخیرا روش های هوشمند نظیر شبکه های عصبی مصنوعی به عنوان یک مدل کارآمد جهت پیش بینی و طبقه بندی تومورها مورد استفاده قرار گرفته اند. تشخیص خوش خیمی و یا بدخیمی توده های پستانی بر اساس خصوصیات مورفولوژیک، بالینی و دموگرافیک و بدون استفاده از روش های تهاجمی پاراکلینیکی بسیار با اهمیت است. هدف این پژوهش ارائه یک مدل شبکه عصبی برای پیش بینی وضعیت تومورهای پستان و مقایسه کارآمدی آن با مدل رایج رگرسیونی می باشد.
مواد و روش ها: Wisconsin Breast Cancer Database به عنوان مجموعه داده ای این تحقیق، مورد استفاده قرار گرفته است. این مجموعه، از طریق نتایج سیتولوژی تومورهای ناحیه پستان ۶۸۳ بیمار مختلف به دست آمده است. ویژگی هایی هم چون ضخامت توده، یکنواختی اندازه و شکل سلول و ... به عنوان متغیرهای ورودی مدل پیشنهادی به کار رفته اند. از الگوریتم ژنتیک (GA) برای تعیین بهترین ساختار و نیز آموزش مدل شبکه عصبی چند لایه استفاده و پیاده سازی آن در نرم افزار MATLAB انجام گردیده است. کارایی مدل شبکه عصبی پیشنهادی با رگرسیون لجستیک مقایسه و برازش مدل رگرسیون لجستیک در نرم افزار SPSS انجام شده است. برای محاسبه دقیق کارایی مدل ها از تکنیک
۵-fold cross validation استفاده شده است.
یافته ها: نتایج نشان داد که GA توانایی تعیین بهترین ساختار برای یک شبکه چند لایه را دارد و شبکه را نیز به نحو مطلوب آموزش می دهد. بر اساس نتایج حاصله، پس از اجراهای مختلف، بهترین مدل شبکه عصبی با ساختار NN(۹-۸-۶-۱) به دست آمد که دقت، حساسیت، ویژگی و سطح زیر منحنیROC آن به طور میانگین به ترتیب۹۷۱/۰، ۹۸۸/۰و۹۶۲/۰ و ۹۹۵۵/۰ بود. ضمن آن که مقادیر همین پارامترها برای رگرسیون لجستیک به ترتیب ۹۶۸/۰، ۹۷۵/۰، ۹۶۴/۰ و ۹۹۵۴/۰ به دست آمد.
استنتاج: بدین ترتیب مدل شبکه عصبی به دست آمده می تواند در کنار روش های تشخیصی غیر تهاجمی معمول، به عنوان یک سیستم پشتیبان تشخیص با حساسیت و ویژگی بالا، جهت شناسایی تومورهای خوش خیم و بدخیم پستان مورد استفاده قرار گیرد.
کلیدواژه ها:
Invasive methods ، Cutoff prediction ، artificial neural network ، K-fold cross validation ، ROC curve ، روش های تهاجمی ، نقطه برش پیش بینی ، شبکه عصبی مصنوعی ، ۵-fold cross validation ، منحنیROC
نویسندگان
مهیار دارائی
MSc in Computer Engineering, Department of Computer Engineering, Ayatollah Amoli Branch, Islamic Azad University, Amol, Iran
جواد وحیدی
Assistant Professor, Department of Applied Mathematics, Faculty of Mathematics, Iran University of Science and Technology, Nour, Iran
عباس علی پور
Assistant Professor, Department of Community Medicine, Faculty of Medicine, Mazandaran University of Medical Sciences, Sari, 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 :