پيش‌بيني متاستاز سرطان پستان با استفاده از مدل‌هاي فازي و داده‌هاي بيماران ايراني مبتلا به سرطان پستان

Prediction of Breast Cancer Metastasis Using Fuzzy Models based on Data from Iranian Breast Cancer Patients

مقدمه: متاستاز سرطان پستان، گسترش سرطان پستان به ساير اندام‌هاي بدن، يكي از مهم‌ترين علل مرگ ناشي از سرطان پستان در زنان محسوب مي‌شود. پيش‌بيني متاستاز در مراحل اوليه به انتخاب بهترين روش درماني و بهبود كيفيت زندگي بيماران كمك مي‌كند. روش: در اين مطالعه بنيادي از مجموعه داده‌هاي موجود بيماران ايراني از مركز تحقيقات سرطان پستان پژوهشكده سرطان معتمد تهران، استفاده شد. مطالعه حاضر سيستم استنتاج فازي ممداني، تاكاگي سوگنو و سيستم استنتاج تطبيقي عصبي - فازي (انفيس) براي پيش‌بيني متاستاز سرطان پستان در مراحل اوليه را مورد استفاده قرار داد. نتايج: بهترين خطاي پيش‌بيني با استفاده از سيستم استنتاج تطبيقي عصبي - فازي (انفيس) مبتني بر الگوريتم خوشه‌بندي ميانگين مراكز فازي به دست آمد. نظرات متخصصان در مركز تحقيقات سرطان پستان در پژوهشكده سرطان معتمد و خطاي پيش‌بيني مدل ارزيابي شده نشان داد كه اين سيستم پيش‌بيني به خوبي شكل گرفته است. نتيجه­ گيري: بهترين سيستم پيش‌بيني پيشنهادي مي‌تواند به عنوان يك سيستم تصميم‌يار باليني براي كمك به پزشكان در فرآيند درمان مورد استفاده قرار گيرد.

Introduction: The metastasis of breast cancer, the spread of cancer to different body parts, is considered as one of the most important factors responsible for the majority of deaths caused by breast cancer in women. Diagnosing the breast cancer metastasis at the earliest stages helps to choose the best treatment and improve the quality of life for patients. Method: In the present fundamental research, the dataset of Iranian patients available at Breast Cancer Research Center of Motamed Cancer Institute in Tehran was utilized. This study used Mamdani fuzzy inference system, Takagi-Sugeno fuzzy inference system and adaptive neuro-fuzzy inference system (ANFIS) to predict breast cancer metastasis at early stages. Results: The best prediction error was obtained using adaptive neuro-fuzzy inference system based on fuzzy c-means approach. The opinion of the experts at Breast Cancer Research Center of Motamed Cancer Institute and the prediction error of the assessed model indicated that this prediction system is well-formed. Conclusion: The optimal proposed prediction system can be used as a clinical decision support system to assist medical practitioners in the healthcare practice.