استفاده از دسته‌بندي تركيبي مبتني بر جداسازي نمونه‌هاي متعارف و نامتعارف براي تشخيص سرطان پستان

Using Combined Classifier Based on the Separation of Conventional and Unconventional Samples to Diagnose Breast Cancer

سرطان پستان يكي از رايج‌ترين انواع سرطان‌ها در زنان مي‌باشد و در سال‌هاي اخير رشد قابل توجهي در تعداد افراد مبتلا به آن گزارش شده است. با گسترش روزافزون علم استفاده از داده‌كاوي در پزشكي به يكي از زمينه‌هاي پركاربرد براي بهبود سيستم‌هاي درماني تبديل شده است. در اين تحقيق فرايند تشخيص بيماري سرطان پستان در دو مرحله انجام مي‌شود. در مرحله اول از يك الگوريتم ژنتيك بهبوديافته براي تشخيص ويژگي‌هاي مؤثر در پيش‌بيني اين بيماري استفاده شده و در مرحله دوم نمونه‌هاي متعارف و نامتعارف به ‌منظور افزايش دقت و ايجاد مدل دسته‌بندي نهايي شناسايي مي‌شوند. براي كار دسته‌بندي مقايسه‌اي بين دو مدل درخت تصميم و ماشين بردار پشتيبان انجام شده كه نتايج، برتري مدل ماشين بردار پشتيبان را نشان مي‌دهد. نتايج آزمايش‌هاي انجام‌شده دقت تشخيص سرطان پستان را روي مجموعه داده‌هاي WBCD، WDBC و WPBC به ترتيب 99/26%، 98/55% و 98/45% گزارش مي‌دهد.

Breast cancer is one of the most common types of cancers in women and in recent years there has been a significant increase in the number of people with this disease. With the increasing spread of science, data mining has become one of the most widely used areas for improving therapeutic systems. In this paper, the diagnosis of breast cancer is performed in two steps. In the first step, an improved genetic algorithm is used to identify the desirable features in the prediction of this disease, and in the second stage, conventional and Unconventional samples are identified to increase the accuracy and create the final classification model. For classification work, a comparison between two decision tree and Support vector machine model is used to show the results of the superiority of the Support vector machine model. The results of the experiments reported the accuracy of breast cancer diagnosis on WBCD, WDBC and WPBC data sets are 99.26%, 98.55% and 98.45%, respectively.