كليدواژه :
سرطان پستان , تشخيص مرحله , داده كاوي , سيستم TNM , الگوريتم كلوني مورچگان
چكيده فارسي :
مقدمه: ميزان پيشرفت سرطان پستان (مرحله،Staging )، يكي از مهم ترين عوامل تعيين كننده ميزان بقاي فرد بيمار و انتخاب روش هاي درماني مناسب توسط پزشكان است. معمولا تعيين پيشرفت سرطان پستان، پس از عمل جراحي و از طريق ارزيابي بافت شناسي انجام مي شود. از اين رو يافتن الگوريتم مناسبي كه بتواند ميزان پيشرفت و همچنين مرحله (Staging) سرطان پستان را تعيين كند، به پزشكان در ارايه روش هاي درماني مناسب كمك فراواني خواهد كرد. لذا در اين پژوهش تلاش شده است تا با استفاده از تكنيك هاي داده كاوي، يك مدل قوي پيش بيني مرحله سرطان پستان معرفي گردد. روش بررسي: در اين پژوهش، يك مدل مكانيزه با استفاده از سيستم TNM و همچنين استفاده از الگوريتم كلوني مورچگان، براي تشخيص مرحله سرطان پستان، پيشنهاد شده است. اين روش ها به دليل عدم نياز به عمل جراحي، باعث كاهش زياد هزينه ها و آسيب هاي روحي بيمار مي شود. براي ارزيابي سيستم، از ديتاست بين المللي SEER و يك ديتاست محلي از اطلاعات 1148 بيمار زن مبتلا به سرطان پستان، استفاده شد و دو معياردقت وسطح زير نمودار راك براي طبقه بندي هاي مختلف محاسبه گرديد. يافته ها: با استفاده از سيستم TNM براي ديتاست SEER، دقت 99.93% و براي ديتاست محلي، دقت 99.91% و با استفاده از الگوريتم كلوني مورچگان، براي ديتاست SEER دقت 99.43% و براي ديتاست محلي، دقت 98.95% بدست آمد. همچنين مشخص گرديد علاوه بر ويژگي هاي مورد استفاده مرسوم T ، N و M، ويژگي هاي ديگري همچون تهاجم عروقي، سن بيمار، گروه خوني، تعدا فرزندان، محل تولد، بافت شناسي سلولي، نوع بافت درگير و SiteSpecific Factor هاي شماره 2 ، 3 و 6 نيز مي توانند به عنوان عوامل مهم در تعيين مرحله باليني بيماران مبتلا به سرطان پستان استفاده شوند. نتيجه گيري: بر اساس نتايج حاصل، دو طبقه بند Logistic و Multi Class Classifier به ترتيب داراي بالاترين ميزان دقت براي ديتاست هاي SEER و محلي اين پژوهش هستند.
چكيده لاتين :
Introduction: Staging is one of the most important factors determining the survival of a patient
suffering from breast cancer and plays a key role in choosing treatment modalities. The method of
choice for cancer staging is surgery followed by histological evaluation. However, finding a predictive
algorithm to replace surgery in the staging of breast cancer is both cost- and time-saving and helps
physicians to provide appropriate therapeutic techniques. The present paper introduces a strong
predictive model for breast cancer staging using data mining techniques.
Methods: We suggested a mechanized model based on the TNM staging system and the ant colony
algorithm. This method would reduce the patient’s mental stress and financial costs because it does not
need a surgical operation. The SEER international dataset and a local data set of 1148 women with
breast cancer were used to evaluate the system performance, and model accuracy and the area under
the ROC curve were calculated for different classifications.
Results: Using the TNM system, the accuracy rates were 99.93% and 99.91% for the SEER
international dataset and the local dataset, respectively. The accuracy rates were 99.43% and 98.95%
for the SEER international dataset and local dataset, respectively, when the ant colony algorithm was
applied. Our results indicated that in addition to commonly used features in the TNM system, other
features such as vascular invasion, age, blood group, number of children, birthplace, histology, CS
Extension, positive regional node, morphology, and Site-Specific Factors 2, 3, and 6 can be used as
important factors for breast cancer staging.
Conclusion: Based on the results obtained, the two Logistic and Multi-Class Classifiers have the best
accuracies for the SEER and local datasets in this study.
