ام البنین عباسی - M.Sc. Student in Computer Engineering, Department of Computer Engineering, Mobarakeh Branch, Islamic Azad University, Isfahan, Iran
محمدرضا رمضان پور - Assistant Professor, Department of Computer Engineering, Mobarakeh Branch, Islamic Azad University, Isfahan, Iran
ریحانه خورسند - Assistant Professor, Department of Computer Engineering, Dolatabad Branch, Islamic Azad University, Isfahan, Iran

مقدمه: سرطان ریه منبع اصلی مرگ ومیر برای مردان و زنان در سراسر جهان می باشد. بیماری ریه توسعه و رشد غیرقابل کنترل سلول ها در یک یا هر دو ریه می باشد. تشخیص زودرس سرطان آسان نیست؛ اما اگر سریع تشخیص داده شود، قابل درمان است. هدف از این مطالعه، ساخت مدل بهینه پیش بینی کننده بقاء بیماران مبتلابه سرطان ریه بر اساس ویژگی های بیماران با رویکرد داده کاوی می باشد. روش: در این مطالعه توصیفی- کاربردی، از الگوریتم سیستم استنتاج عصبی فازی تطبیقیANFIS  و الگوریتم بهینه سازی ازدحام ذرات PSO برای پیش بینی بقاء بیماران مبتلابه سرطان ریه استفاده شد. در این مطالعه، از پایگاه داده معتبر برنامه نظارت، اپیدمی شناسی و نتایج نهایی SEER دانشگاه لوییزول آمریکا استفاده شد. برای ارزیابی روش پیشنهادی از معیارهای دقت،  صحت، خطا و جذر خطای میانگین مربعات استفاده شد. نتایج: نتایج نهایی به دست آمده در این مطالعه نشان دهنده برتری روش بهینه سازی ANFIS با الگوریتم PSO نسبت به سایر روش ها، در راستای پیش بینی بقاء بیماران مبتلابه سرطان ریه با متوسط صحت برابر ۹۹/۸۰% برای بقاء یک ساله، ۹۹/۷۴%  برای بقاء دوساله و ۹۹/۶۶%  برای بقا پنج ساله بر روی مجموعه داده SEER بود. نتیجه ­گیری: استفاده از مدل بهینه سازی شده ANFIS با الگوریتم PSO در پیش بینی بقاء بیماران مبتلا به سرطان ریه بسیار قدرتمند است. مدل پیشنهادی نسبت به سایر مدل های مورد مقایسه دارای  بیشترین صحت، دقت و کمترین میزان خطا بوده است؛ بنابراین به کارگیری این مدل درزمینه پیش بینی بقا پیشنهاد می شود.

Data Mining, Survival Prediction, Lung Cancer, Survival Rate, داده کاوی, پیش بینی بقا, سرطان ریه, نرخ بقاء