عباس طلوعی اشلقی - استاد دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران
علی پورابراهیمی - رییس واحد الکترونیکی دانشگاه آزاد اسلامی
ماندانا ابراهیمی - استادیار پژوهش، مرکز تحقیقات سرطان پستان جهاد دانشگاهی
لیلا قاسم احمد - دانشجوی کارشناسی ارشد مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران

تعداد و اندازه پایگاه داده های پزشکی به سرعت در حال افزایش است و مدلهای توسعه یافته تکنیک دادهکاوی میتوانند برای پزشکان جهت کمک در تصمیم گیری موثر و کاربردی باشند. هدف اصلی از این مقاله، گزارش یک پروژه تحقیقاتی به منظور مقایسه الگوریتم های مختلف داده کاوی از طریق مقایسه حساسیت، ویژگی و دقت بین آنها، جهت انتخاب دقیقترین مدل برای پیش بینی عود مجدد سرطان پستان در زنان مبتلا بوده است. در حقیقت بیان کاربرد عملی داده کاوی در حوزه سرطان پستان با استفاده از دادههای ثبت شده در پایگاه داده است که به فراهم کردن اطلاعات ضروری و دانش مورد نیاز پزشکان در تصمیم گیری بهتر کمک میکند.مواد و روشها: این تحقیق در خصوص بیماران مبتلا به سرطان پستان که حداقل هرکدام به مدت دو سال تحت پیگیری بوده اند، انجام شد. اطلاعات این بیماران در مرکز تحقیقات سرطان پستان جهاد دانشگاهی برای پیگیری اقدامات درمانی ثبت و بیماران حداقل به مدت دو سال پس از تشخیص، تحت نظر این مرکز بوده و پیگیری های بعدی برای آنها انجام شده است. به منظور توسعه مدلهای پیش بینی جهت پیش بینی عود سرطان پستان، از درختان تصمیم گیری C5.0، ماشین بردار پشتیبان SVM: Support Vector Machines و تکنیک های شبکه های عصبی مصنوعی ANNs: Artificial Neural Networks با بهره گیری از پایگاه داده مذکور استفاده شده است.نتایج: بررسی های صورت گرفته نشان میدهد که دقت در سه الگوریتم داده کاوی، یعنی درخت تصمیم گیری، ANN و SVM به ترتیب 0/936 ،0/947 و 0/957 بوده است.بحث و نتیجه گیری: مدل طبقه بندی SVM در پیش بینی عود مجدد سرطان پستان، حداقل میزان خطا و بیشترین دقت را داشت که بالاتر از درخت تصمیم گیری و مدل ANN بود و دقت پیش بینی در مدل درخت تصمیم گیری C5.0 نیز پایینترین میزان در بین سه مدل پیش بینی را نشان داد. نتایج به دست آمده حاکی از افزایش درصد صحت نتایج، با بهره گیری از روش های تقویت و هرس کردن بوده است.

عود سرطان پستان، درخت تصمیم گیری، ماشین بردار پشتیبان، شبکه های عصبی مصنوعی، طبقه بندی.