رویکرد پیش بینی سرطان پستان بر اساس داده های میکروآرایه با استفاده از انتخاب ژن ترکیبی و یادگیری عمیق

مقدمه: سرطان پستان ، شایع ترین سرطان و دومین علت مرگ ومیر ناشی از سرطان در زنان است و به دلیل تکثیر غیرقابل کنترل سلول های بافت پستان رخ می دهد. بررسی بیان ژن در این سرطان، اطلاعات ارزشمندی درباره رفتار و پیشرفت بیماری ارائه می دهد و با استفاده از داده های میکروآرایه DNA، محققان می توانند الگوهای خاص ژنی را شناسایی کنند که به تشخیص دقیق تر و بهبود درمان کمک می کند. با این حال، حجم بالای داده های میکروآرایه چالش های پیچیده ای را برای الگوریتم های یادگیری ماشین به همراه دارد. برای رفع این مشکل، از روش انتخاب ویژگی برای کاهش ابعاد داده ها استفاده می شود که علاوه بر افزایش دقت، زمان پردازش را نیز کاهش می دهد و در تشخیص و طبقه بندی موثرتر سرطان مفید است. روش بررسی: در این تحقیق، هدف انتخاب ژن های مرتبط با سرطان پستان در داده های میکروآرایه ای است که حاوی اطلاعات بسیار پیچیده ای از بیان ژن ها هستند. برای بهبود دقت و کارایی طبقه بندی این داده ها، از یک رویکرد ترکیبی استفاده شده است که ترکیب دو روش انتخاب ویژگی فیلتر و لفاف را با الگوریتم ساخت اهرام جیزه چندهدفه (FWGPC) و یادگیری عمیق به کار می گیرد. یافته ها: نتایج تجربی نشان می دهد که این روش بر روی مجموعه داده های مختلف (BC-TCGA، GSE) به ترتیب دقتی برابر با ۹۹.۹۶ % و ۹۶.۱% را به دست آورده و از بسیاری از روش های طبقه بندی دیگر در تشخیص نمونه های جدید سرطان پستان عملکرد بهتری دارد. نتیجه گیری: در این رویکرد، جمعیت اولیه الگوریتم GPC به دو گروه تقسیم می شود: یکی براساس تابع تناسب مبتنی بر روش فیلتر و دیگری براساس تابع تناسب مبتنی بر روش لفاف. هر بخش ویژگی های خود را براساس معیارهای خاص ارزیابی می کند و در نهایت، یک مسابقه بین بهترین نتایج دو بخش برگزار می شود. یادگیری عمیق با بررسی دقت طبقه بندی، برنده نهایی را اعلام می کند که بهترین دقت را در طبقه بندی داده های جدید سرطان پستان دارد.

Keywords:

Breast Cancer , Microarray Data , Feature Selection , Giza Pyramids Construction Algorithm , Deep Learning. , سرطان پستان , داده های میکرو آرایه , انتخاب ویژگی , الگوریتم سخت اهرام جیزه , یادگیری عمیق