تشخیص هوشمند سرطان پستان با انتخاب ویژگی مبتنی بر رگرسیون لجستیک و دسته‌بندی ماشین بردار پشتیبان

نوع مقاله: مقاله پژوهشی فارسی

نویسندگان

1 گروه کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز ،اهواز، ایران

2 گروه کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران

چکیده

سرطان پستان شایع‌ترین سرطان در میان زنان است و وجود یک سیستم دقیق و مطمئن برای تشخیص خوش‌خیم و یا بدخیم بودن توده سرطان ضروری است. امروزه با استفاده از نتایج سیتولوژی آسپیراسیون سوزنی، تکنیک‌های داده‌کاوی و یادگیری ماشین می‌توان شناسایی و تشخیص زود هنگام سرطان پستان را با دقت بالاتری انجام داد. در این مقاله روشی پیشنهاد شده است که شامل دو مرحله است: در مرحله اول برای حذف ویژگی‌های کم اهمیت‌تر، از رگرسیون لجستیک استفاده شده است تا ویژگی‌های مهم‌تر انتخاب شوند. در مرحله دوم، از الگوریتم طبقه‌بندی ماشین بردار پشتیبان (SVM) با سه هسته‌ی متفاوت برای تشخیص خوش خیم و بدخیم بودن نمونه‌ها استفاده شده است. برای ارزیابی کارایی روش پیشنهادی از دو مجموعه داده WBCD و WDBC و معیارهای دقت، ناحیه زیر نمودار ROC (AUC)، نرخ مثبت حقیقی، نرخ مثبت کاذب، صحت و معیار F بررسی شده‌اند. نتایج نشان می‌دهد که با استفاده از روش رگرسیون لجستیک می‌توان انتخاب ویژگی موثرتری انجام داد، به‌گونه‌ای که روش پیشنهادی از نظر دقت طبقه-بندی به دقت 69/98% می‌رسد.

کلیدواژه‌ها


R. Sheikhpour, R. Sheikhpour, “Breast cancer diagnosis using non-parametric kernel density estimation,” Razi Journal on Medical Sciences (RJMS), Iran University of Medical Sciences, Vol. 23, No. 144, pp. 30-40, 2016.
R. Sheikhpour, M. Agha Sarram, R. Sheikhpour, “Particle swarm optimization for bandwidth determination and feature selection of kernel density estimation based classifiers in diagnosis of breast cancer,” Applied Soft Computing. Vol. 40, pp. 113-131, 2016.
S. Aalaei, H. Shahraki, AR. Rowhanimanesh, S. Eslami, “Feature selection using genetic algorithm for breast cancer diagnosis: experiment on three different datasets,” Iran Journal on Basic Medical Sciences, Vol. 19, No. 5, pp. 476-482, 2016.
G. RMA Sizilio, C. RM Leite, A. MG Guerreiro, A. DD Neto, “Fuzzy method for pre-diagnosis of breast cancer from the Fine Needle Aspirate analysis,” BioMedical Engineering Online 11, 83, 2012. doi.org/10.1186/1475-925X-11-83
M. Karabatak. “A new classifier for breast cancer detection based on Naïve Bayesian,” Measurement, Vol. 72, pp. 32-36, 2015.
H. Asri, H. Mousannif, H. Al Moatassime, T. Noel, “Using Machine Learning Algorithms for Breast Cancer Risk Prediction and Diagnosis,” Procedia Computer Science. Vol. 83, pp. 1064-1069, 2016.
M. Nilshahi, O. Ibrahim, H. Ahmadi, L.A. Shahmoradi, “Knowledge-Based System for Breast Cancer Classification Using Fuzzy Logic Method,” Telematics and Informatics, Vol. 34, No. 4, pp. 133–144, 2017.
B. M. Gayathri, C. P. Sumathi, “Mamdani Fuzzy Inference system for Breast cancer risk detection,” IEEE International Conference on Computational Intelligence and Computing Research (ICCIC), Madurai, India, Dec. 2015.
B. M. Gayathri, C. P. Sumathi, “An Automated Technique using Gaussian Naïve Bayes Classifier to Classify Breast Cancer,” International Journal of Computer Application, Vol. 148, No. 6, pp. 16-21, 2016.
A. Hazra, S. Kumar Mandal, A. Gupta, “Study and Analysis of Breast Cancer Cell Detection using Naïve Bayes, SVM and Ensemble Algorithms,” International Journal of Computer Applications, Vol. 145, No. 2, pp. 39-45, 2016.
A. Bhardwaj, A. Tiwari, “Breast Cancer Diagnosis Using Genetically Optimized Neural Network Model,” Expert Systems with Applications, Vol. 42, No. 10, pp. 4611-4620, 2015.
N. Modi, K. Ghanchi, “Comparative Analysis of Feature Selection Methods and Associated Machine Learning Algorithms on Wisconsin Breast Cancer Dataset (WBCD),” Proceedings of International Conference on ICT for Sustainable Development, Advances in Intelligent Systems and Computing, Vol. 408, pp. 215-224, 2016.
L. Abdel-Ilah, L. Sahinbegoviü, “Using machine learning tool in classification of breast cancer,” International Conference in Medical and Biological Engineering in Bosnia and Herzegovina, IFMBE proceedings, Vol. 62, pp. 3-8, March 2017.
UCI Machine Learning Repository, Breast Cancer Wisconsin(Original)Dataset https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Original)
H. Hannah Inbarani, M. Bagyamathi, A. T. Azar, “A novel hybrid feature selection method based on rough set and improved harmony search,” Neural Computing and Applications, Vol. 26, No. 8, pp. 1859-1880, 2015
F. Ahmad, N. A. Mat Isa, Z. Hussain, M. K. Osman, S. N. Sulaiman, “A GA-based feature selection and parameter optimization of an ANN in diagnosing breast cancer,” Pattern Analysis and Applications, Vol. 18, No. 4, pp. 861-870, 2015.
E. Besharati, M. Naderan, E. Namjoo, “LR-HIDS: Logistic Regression Host-based Intrusion Detection System for Cloud Environments,” Journal of Ambient Intelligence and Humanized Computing, Vol. 10, No. 9, pp. 3669-3692, 2019.
A. Ahmadi, P. Afshar, “Intelligent breast cancer recognition using particle swarm optimization and support vector machines,” Journal of Experimental & Theoretical Artificial Intelligence, Vol. 28, No. 6, pp. 1021-1034, 2015.
L. Peng, W. Chen, W. Zhou, F. Li, J. Yang, J. Zhang, “An immune-inspired semi-supervised algorithm for breast cancer diagnosis,” Computer Methods and Programs in Biomedicine, Vol. 134, pp. 259-265, 2016.
A. Mert, N. Kılıç, N., Bilgili, E., Akan, A. “Breast Cancer Detection with Reduced Feature Set,” Computational and Mathematical Methods in Medicine, Vol. 2015, Article ID 265138.
Mert, A., Kılıc, N., Akan, A.An improved hybrid feature reduction for increased breast cancer diagnostic performance.Biomedical Engineering Letters. 2014; 4(3), 285–291.