تحليل بقاي بيماران مبتلا به سرطان پستان با استفاده از مدل هاي شبكه عصبي مصنوعي و رگرسيون كاكس

Analysis of survival data of patient with breast cancer using artificial neural network and cox regression models

چكيده مقدمه: در تحليل داده هاي بقا استفاده از روش هاي معمول در آمار كلاسيك نيازمند يك سري مفروضات اوليه براي داده ها است. شبكه هاي عصبي مصنوعي از روش هاي نوين مدل سازي و پيش بيني هستند كه در مواقعي كه روشهاي كلاسيك به خاطر محدوديت-هايشان قابل استفاده نيستند، كاربرد دارند. هدف از اين مطالعه، پيش بيني وضعيت بقاي بيماران مبتلا به سرطان پستان با استفاده از مدل هاي شبكه عصبي و مقايسه آن با مدل رگرسيون كاكس مي باشد. روش پژوهش: داده هاي مطالعه شامل 161 مورد از بيماران مبتلا به سرطان پستان در استان اردبيل بود كه طي سال هاي 1382 تا 1387 تشخيص سرطان در آن ها صورت گرفته بود و به صورت هم گروه تاريخي بررسي شدند. از 9/68 درصد داده ها براي برازش مدل ها و 1/31 درصد داده ها براي اعتبار سنجي مدل ها استفاده شد. مدل هاي مختلف شبكه عصبي مصنوعي و رگرسيون كاكس به منظور پيش-بيني وضعيت بقاي بيماران به داده ها برازش گرديد. معيارهاي صحت پيش بيني و سطح زير منحني مشخصه عملكرد براي مقايسه مدل-ها استفاده گرديد. يافته ها: در بين مدل هاي شبكه عصبي، مدل هاي با الگوريتم آموزش SCG، OSS و LM به ترتيب با صحت پيش بيني 94، 90 و 78 درصد براي داده هاي اعتبارسنجي، بيشترين كارايي را داشتند. سطح زير منحني مشخصه عملكرد براي مدل هاي مذكور به ترتيب 991/0، 972/0 و 837/0 و براي مدل رگرسيون كاكس 869/0 به دست آمد. نتيجه گيري: نتايج مطالعه نشان داد در صورت انتخاب معماري و الگوريتم آموزش مناسب براي مدل شبكه عصبي مصنوعي، اين مدل در مقايسه با مدل رگرسيون كاكس كارايي بيشتري براي پيش بيني وضعيت بقاي بيماران مبتلا به سرطان پستان دارد.

Abstruct Introduction: In analyzing survival data using conventional methods of classical statistics requires some basic assumptions for data. Artificial neural networks as a modern modeling method can be used in situations where classic models have restricted application because their assumptions are not met. This study is compared survival of patients with breast cancer using artificial neural network and Cox regression models. Methods: This historical cohort study, include data from 161 patients with breast cancer in Ardabil province in the years 2002-2007 were diagnosed as having cancer. 68.9% of data dividing as training data set and 31.1% of data dividing as validation data set. Artificial neural networks and Cox regression models are fitted to data. Predictive accuracy and area under ROC used to compare models. Results: Between neural network models, models with SCG, OSS and LM learning algorithms with predictive accuracy of 94, 90 and 78 percent for validation data, had the highest efficiency respectively. Areas under ROC for these models are 0.991, 0.972 and 0.837 respectively and 0.869 for Cox regression model. Conclusion: This study shaw that if suitable architecture and algorithms are selected for artificial neural network model, this model will be more efficient than the Cox regression model to predict the survival situation of patients with breast cancer.