بهینه سازی انتخاب ویژگیهای کلیدی و پارامترهای SVM در تشخیص سرطان سینه با بهره گیری از الگوریتم استراتژی بقای روباه قطبی

در این مقاله رویکردی هوشمند و کارآمد برای تشخیص زودهنگام سرطان سینه ارائه شده است؛ موضوعی که به عنوان یکی از چالشهای اساسی حوزه سلامت تاثیر مستقیم بر بهبود نتایج درمانی دارد. مدل ماشین بردار پشتیبان (SVM) به دلیل توانایی بالا در تفکیک الگوها به عنوان طبقه بند پایه انتخاب شد اما عملکرد مطلوب آن نیازمند تنظیم دقیق پارامترهای C و همچنین گزینش ویژگیهای موثر است. برای رفع این مسئله الگوریتم بهینه سازی استراتژی بقای روباه قطبی (AFO) به کار گرفته شد تا به صورت همزمان به انتخاب ویژگی بهینه و تنظیم پارامترهای SVM بپردازد. این الگوریتم با الهام از رفتارهای واقعی روباه قطبی از جمله شکار، ذخیره انرژی، مهاجرت و تعامل اجتماعی توانایی بالایی در جستجوی گسترده و گریز از بهینه های محلی دارد. در این مقاله از مجموعه داده استاندارد Wisconsin Diagnostic Breast Cancer (WDBC) استفاده شد و پس از مراحل پیش پردازش مدل پیشنهادی مورد آموزش و ارزیابی قرار گرفت. عملکرد سیستم بر اساس شاخص هایی همچون دقت (Accuracy)، حساسیت (Sensitivity)، ویژگی (Specificity) و مساحت زیر منحنی (ROC AUC) سنجیده شد. نتایج نشان می دهد که رویکرد ترکیبی مبتنی بر AFO نه تنها انتخاب ویژگیهای موثر را بهبود می دهد بلکه تنظیم پارامترهای SVM را نیز بهینه کرده و در نهایت موجب افزایش قابل توجه دقت تشخیص نسبت به روشهای متداول می شود. این دستاورد میتواند زمینه ساز توسعه سیستم های هوشمند تشخیص پزشکی با کارایی و اطمینان بالاتر در حوزه سرطان سینه باشد.

Keywords:

سرطان سینه , داده کاوی , ماشین بردار پشتیبان , انتخاب ویژگی , بهینه سازی پارامترها , الگوریتم استراتژی بقای روباه قطبی