بررسي تشخيص سرطان سينه با استفاده از الگوريتم Random Forest

Investigating breast cancer diagnosis using Random Forest algorithm

تشخيص سرطان سينه يكي از مسائل مهم در پزشكي است كه با استفاده از الگوريتم هاي يادگيري ماشين مي توان آن را تشخيص داد. يكي از الگوريتم هاي مورد استفاده در اين زمينه، الگوريتم Random Forest است.Random Forest يك الگوريتم يادگيري ماشيني است كه براي تشخيص سرطان سينه و دسته بندي نمونه هاي تصوير پراستفاده است. اين الگوريتم بر اساس مجموعه اي از درخت هاي تصميم گيري كار مي كند كه هر كدام از آنها به صورت تصادفي از داده ها ساخته شده است. اين الگوريتم به دليل داشتن چندين درخت تصميم گيري، قابليت انعطاف پذيري بالا، قابليت تشخيص دقيق و كاهش احتمال خطا را دارد. با توجه به اينكه سرطان سينه يكي از بيماري هاي خطرناك و پيشرفته است، استفاده از الگوريتم Random Forest در تشخيص آن مي تواند بهبود موثري در دقت تشخيص و پيشگيري از پيشرفت بيماري داشته باشد.در اين تحقيق، الگوريتم رندم فارست بر روي داده‌هاي باليني ديتاست bread cancer بيمار مبتلا و غيرمبتلا به سرطان سينه آموزش داده شده است. اين ديتاست شامل 10 ويژگي است،كه نتايج حاصل از بررسي الگوريتم دقت لازم در تشخيص بيماري سرطان سينه را به74.7826% افزايش نسبت به ديگر روش‌هاي متداول نشان مي‌دهد.

Breast cancer diagnosis is one of the most important issues in medicine that can be diagnosed using machine learning algorithms. One of the algorithms used in this field is the Random Forest algorithm. Random Forest is a machine learning algorithm that is widely used to diagnose breast cancer and classify image samples. This algorithm works based on a set of decision trees, each of which is randomly generated from the data. Due to having several decision trees, this algorithm has high flexibility, accurate detection and reduced error probability. Considering that breast cancer is one of the dangerous and advanced diseases, the use of Random Forest algorithm in its diagnosis can effectively improve the accuracy of diagnosis and prevention of disease progression. In this research, the Random Forest algorithm is based on clinical data. bread cancer patients with and without breast cancer have been trained. This dataset contains 10 features, the results of the algorithm review show that the accuracy required in breast cancer diagnosis is increased by 74.7826% compared to other common methods.