مقايسه شبكه عصبي مصنوعي و رگرسيون لجستيك در پيش بيني پاسخ هاي دو حالتي مطالعات پزشكي

Comparison of Artificial Neural Network and Logistic Regression in Predicting of Binary Response for Medical Data:the stage of disease in Gastric Cancer

زمينه و هدف: رگرسيون لجستيك يك مدل عمومي براي بررسي رابطه بين متغيرهاي مستقل و پاسخ هاي دوحالتي است. يكي از مدل هاي انعطاف پذير كه به طور جايگزين مي تواند مورد استفاده قرار گيرد، مدل شبكه عصبي مصنوعي است. اين مطالعه با هدف مقايسه ي قدرت پيش بيني پاسخ هاي دوحالتي داده هاي پزشكي، با مدل شبكه عصبي مصنوعي و رگرسيون لجستيك انجام شد. مواد و روش كار: براي انجام اين پژوهش، از داده هاي 639 بيمار مبتلا به سرطان معده، گردآوري شده توسط مركز تحقيقات گوارش و كبد دانشگاه علوم پزشكي شهيد بهشتي طي سال هاي 1381-1385، استفاده شد. مرحله بيماري به عنوان متغير وابسته در نظر گرفته شد. ارزيابي شبكه بر اساس ملاك حداقل مربعات خطاي پيش بيني صورت گرفت و مقايسه پيش بيني هاي مدل نهايي شبكه با مدل رگرسيوني با استفاده از شاخص هماهنگي و منحني راك صورت پذيرفت. تحليل داده ها با نرم افزار R 2.12 و SPSS 17.0 انجام شد. يافته ها: سطح زير منحني مشخصه عملكرد مدل شبكه عصبي برابر 725/0 و مدل رگرسيون لجستيك برابر 699/0 به دست آمد. همچنين صحت پيش بيني كل براي مدل شبكه عصبي و رگرسيوني به ترتيب برابر 771/0 و 710/0 محاسبه گرديد. همچنين اختلاف پيش بيني هاي دو مدل معني دار شد (002/0 = P). نتيجه گيري: صحت پيش بيني شبكه در تشخيص مرحله ي بيماري سرطان معده بيش تر از مدل رگرسيوني لجستيك به دست آمد و لذا اين مدل براي تشخيص مرحله ي بيماري پيشنهاد مي شود.

Background & Objectives: Logistic regression is a general model to determine the relationship between covariates and binary response variables. Artificial neural network model is an alternative flexible model which can be used in these cases, too. This study aimed to make a comparison between the predictions of ANN and logistic regression model for binary outcome of medical data. Material &Methods: Data gathered from 639 registered gastric cancer patients between January 2002 and October 2007 at the Research Center for Gastroenterology and Liver Diseases of Shahid Beheshti University of Medical Sciences, Tehran, Iran. Stage of disease was considered as the dependent variable. Network performance was assessed by using of least square error of prediction and then concordance indexes and area under receiver operative characteristic curves (AUROC) were used to comparison of neural network and logistic regression models. Data analysis was performed by R 2.12 software. Results: Results showed that the concordance index of ANN and LR for drug treatment was calculated as 0.771 and 0.710; respectively. In addition AUROC for ANN and LR models were 0.725 and 0.699, respectively. The difference between the values of observed and predicted of the dependent variable by two models was significant (P=0.002). Conclusion: As a result, the total accuracy prediction of the ANN model is better than LR model, so this model is suggested to predict the stage of gastric cancer disease and also diagnostic goals.