ارائه روشي مبتني بر يك الگوريتم تكاملي براي دستيابي به مدلي كارآمد از شبكه عصبي مصنوعي جهت پيش بيني وضعيت تومورهاي پستان

A Method Based on an Evolutionary Algorithm to Achieve an Efficient Artificial Neural Network Model for Prediction of Breast Tumors Status

سابقه و هدف: اخيراً روش هاي هوشمند نظير شبكه‌هاي عصبي مصنوعي به عنوان يك مدل كارآمد جهت پيش‌بيني و طبقه‌بندي تومورها مورد استفاده قرار گرفته‌اند. تشخيص خوش خيمي و يا بدخيمي توده‌هاي پستاني بر اساس خصوصيات مورفولوژيك، باليني و دموگرافيك و بدون استفاده از روش‌هاي تهاجمي پاراكلينيكي بسيار با اهميت است. هدف اين پژوهش ارائه يك مدل شبكه عصبي براي پيش‌بيني وضعيت تومورهاي پستان و مقايسه كارآمدي آن با مدل رايج رگرسيوني مي‌باشد. مواد و روش‌ها: Wisconsin Breast Cancer Database به عنوان مجموعه داده‌اي اين تحقيق، مورد استفاده قرار گرفته است. اين مجموعه، از طريق نتايج سيتولوژي تومورهاي ناحيه پستان 683 بيمار مختلف به دست آمده است. ويژگي‌هايي هم‌چون ضخامت توده، يكنواختي اندازه و شكل سلول و ... به عنوان متغيرهاي ورودي مدل پيشنهادي به كار رفته‌اند. از الگوريتم ژنتيك (GA) براي تعيين بهترين ساختار و نيز آموزش مدل شبكه عصبي چند لايه استفاده و پياده سازي آن در نرم‌افزار MATLAB انجام گرديده است. كارايي مدل شبكه عصبي پيشنهادي با رگرسيون لجستيك مقايسه و برازش مدل رگرسيون لجستيك در نرم‌افزار SPSS انجام شده است. براي محاسبه دقيق كارايي مدل‌ها از تكنيك 5-fold cross validation استفاده شده است. يافته‌ها: نتايج نشان داد كه GA توانايي تعيين بهترين ساختار براي يك شبكه چند لايه را دارد و شبكه را نيز به نحو مطلوب آموزش مي‌دهد. بر اساس نتايج حاصله، پس از اجراهاي مختلف، بهترين مدل شبكه عصبي با ساختار (NN(9-8-6-1 به دست آمد كه دقت، حساسيت، ويژگي و سطح زير منحنيROC آن به‌طور ميانگين به‌ترتيب 0/971، 0/988 و 0/962و 0/9955 بود. ضمن آن كه مقادير همين پارامترها براي رگرسيون لجستيك به ترتيب 0/968، 0/975، 0/964و 0/9954به دست آمد. استنتاج: بدين ترتيب مدل شبكه عصبي به دست آمده مي‌تواند در كنار روش هاي تشخيصي غير تهاجمي معمول، به عنوان يك سيستم پشتيبان تشخيص با حساسيت و ويژگي بالا، جهت شناسايي تومورهاي خوش خيم و بدخيم پستان مورد استفاده قرار گيرد.

Background and purpose: Intelligent methods such as artificial neural networks (ANN) have been recently used as an efficient model for prediction and classification of tumors. Diagnosis of benign and malignant breast tumors based on morphological, clinical and demographic features without using invasive paraclinical methods is very important. The aim of this study was to provide a neural network model to predict the status of breast tumors and compare its efficacy with the common regression model. Materials and methods: In this study, Wisconsin breast cancer database was used. It was obtained from cytology results of the breast tumors of 683 patients. In the proposed model different features such as clump thickness, uniformity of cell size, uniformity of cell shape, etc. were used as input variables. We applied the genetic algorithm (GA) for determination of the best structure and training of multi-layer NN model was implemented in MATLAB. The performance of proposed NN model was compared appling logistic regression (LR) in SPSS. 5-fold cross validation was used for accurate calculation of the performance of the models. Results: The results found GA capable of determining the best structure for a multi-layer NN that could also train it properly. In different performances the best NN structure was NN(9-8-6-1) with an average accuracy, sensitivity, specificity, and AUC (area under ROC curve) of 0.971, 0.988, 0.962, and 0.9955, respectively, while the values of the corresponding parameters for LR were 0.968, 0.975, 0.964 and 0.9954, respectively. Conclusion: The achieved ANN model could be used as a method with high sensitivity and specificity alongside common non-invasive diagnostic methods as a diagnosis support system to identify benign and malignant breast tumors.