ارائه يك سيستم هوشمند براساس الگوريتم بهينه سازي ازدحام ذرات به منظور تشخيص سرطان سينه

An intelligent system based on particle swarm optimization algorithm for breast cancer diagnosis

در سراسر دنيا، سرطان سينه يكي از شايع ترين سرطان ها در بين بانوان مي‌باشد كه منجر به بالارفتن نرخ مرگ و مير ناشي از سرطان شده است. با استفاده از ويژگي‌هاي استخراج شده از سيتولوژي آسپيراسيون سوزني و الگوريتم هاي داده كاوي مي‌توان سيستمي هوشمند ارائه نمود كه با دقت بالايي خوش خيم يا بدخيم بودن تومورهاي سينه را تشخيص دهد. از آن‌جايي كه ويژگي‌هاي غير مؤثر، منجر به كاهش دقت يك سيستم مي‌شود، هدف از انجام اين مطالعه، استفاده از الگوريتم بهينه سازي ازدحام ذرات باينري به منظور انتخاب ويژگي هاي مؤثر در تشخيص سرطان سينه است. در واقع از الگوريتم ازدحام ذرات باينري به عنوان راهبرد جستجوي تصادفي استفاده شده و شبكه عصبي آموزش ديده با گراديان مزدوج كوچك به عنوان تابع ارزيابي به كار برده شده است. در اين پژوهش، از داده هاي پايگاه داده WBCD موجود در UCI استفاده شده است. اين پايگاه، شامل اطلاعات 683 بيمار با 10 ويژگي مي‌باشد. سيستم پيشنهادي با استفاده از تركيب روش هاي مذكور، موفق شد تعداد ويژگي ها را به 5 ويژگي كاهش داده و به ميانگين دقت 98.51 دست يابد.

All around the world, breast cancer is one of the most common cancers between women which makes the rise of death because of cancers. With using extracted features from the needle aspiration cytology and data mining algorithms can present an intelligent system which can diagnose the benign or malign breast tumors with high accuracy. Since the ineffective features can cause decrement of a systems accuracy, the purpose of this study is using of binary particle swarm optimization algorithm to choose the effective features to diagnose breast cancer. As matter of fact, binary particle swarm algorithm used as searching strategies and trained neural network with scaled conjugate gradient used as evaluation function. In this research, data of WBCD data collection that exist in UCI are used. This data base includes the information of 683 patients with 10 features. Recommended system with use of the above methods, succeed to decrease the number of features to 5 and achieved an average accuracy of 98.51