اعظم اروجی - PhD Student in Medical Informatics, Health Information Management Dept., School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran
مصطفی لنگری زاده - PhD of Medical Informatics, Health Information Management Dept., School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran.

مقدمه: سرطان پستان یکی از رایج ترین سرطان ها در میان زنان است. در تصاویر ماموگرافی، تشخیص تومورهای خوش خیم از بدخیم به دلیل شباهت ساختاری کاری دشوار و زمان بر است. یادگیری ماشین یک شاخه از هوش مصنوعی است که میتواند به صورت ابزاری کمکی در کنار پزشک قرار گیرد و آنها را در تصمیم گیری یاری کند. ماشین بردار پشتیبان SVM یکی از رایج ترین روش های یادگیری ماشین است که عملکرد آن به نوع تابع کرنل و ویژگی های ورودی وابسته است. هدف این مطالعه، بررسی تاثیر انتخاب ویژگی و توابع کرنل مختلف در عملکرد SVM میباشد. روش: این مطالعه از نوع تحلیلی بود و با روش مقایسه ای انجام گرفت. انتخاب بهترین ویژگی ها توسط الگوریتم ژنتیک انجام شد. سپس SVM با توابع کرنلی مختلف شامل چندجمله ای، خطی، توابع شعاعی پایه، درجه دو و پرسپترون چندلایه ابتدا با تمام ویژگیها و سپس با ویژگیهای منتخب آموزش و ارزیابی شد. به منظور ارزیابی عملکرد طبقه بندها از مجموعه داده سرطان پستان ویسکانسین و پیاده سازی مدل ها در متلب انجام شد. نتایج: نتایج نشان داد که بعد از انتخاب ویژگی عملکرد SVM با تابع کرنل پرسپترون چندلایه کاهش و با تابع کرنل درجه دو افزایش یافت. با این حال، عملکرد توابع کرنل خطی و تابع شعاعی پایه در هر دو حالت مطلوب بود. به طور کلی، بعد از کاهش بعد، بهترین مقدار دقت، ویژگی، حساسیت و صحت به ترتیب به میزان ۰/۶۶۳ ،۰/۸۳۳ ،۱/۰۷۷ و ۰/۱۳۸ درصد کاهش یافت. نتیجه گیری: روش های مبتنی بر تکنیک های یادگیری ماشین می توانند پزشکان را در تصمیم گیری برای درمان یا تشخیص بیماری یاری کنند.

Machine Learning, Dimension reduction, Clinical decision support systems, Early cancer diagnosis, یادگیری ماشین, کاهش بعد, سیستم های پشتیبان تصمیم بالینی, تشخیص زودهنگام سرطان