پياده سازي سيستم تصميم يار مبتني بر شبكه عصبي احتمالي جهت تشخيص نوع سرطان پستان

Implementing a Decision Support System Based on Probabilistic Neural Network for Diagnosing Breast Cancer Type

چكيده مقدمه: سرطان پستان رايج‌ترين شكل سرطان در زنان است. تشخيص به‌موقع سرطان شانس زنده ماندن بيمار را افزايش مي‌دهد. شبكه‌هاي عصبي مصنوعي از روش‌هاي نوين مدل‌سازي و پيش‌بيني هستند. هدف از اين مطالعه تشخيص خوش‌خيم يا بدخيم بودن توده‌هاي سرطان پستان است كه براي اين منظور سيستم تصميم‌يار مبتني بر شبكه عصبي احتمالي طراحي شد. روش بررسي: در اين مطالعه يك شبكه عصبي احتمالي طراحي شد كه بر اساس متغيرهاي ورودي به پيشگويي نوع سرطان پستان پرداخته است. سيستم طراحي‌شده با استفاده از مجموعه داده مربوط به بيماران مبتلا به سرطان پستان بيمارستان ويسكانسين، موجود در انبار داده يادگيري ماشين دانشگاه ايروين، كاليفرنيا كه شامل 683 مورد بود، ارزيابي شد. داده‌هاي موجود در اين مجموعه پيش‌پردازش شدند پس‌ازآن داده‌ها با روش خطي نرمال شدند. به‌منظور پياده‌سازي شبكه از امكانات و توابع موجود در نرم‌افزار MATLAB بهره گرفته شد و از 65% داده‌ها جهت مرحله آموزش شبكه و از 35% باقيمانده جهت مرحله آزمون شبكه استفاده شد. از 9 متغير باليني به‌عنوان ورودي شبكه استفاده شد. معيارهاي حساسيت، اختصاصيت و صحت جهت ارزيابي در مرحله آزمون شبكه استفاده شد. يافته‌ها: پس از شبيه‌سازي سيستم تصميم‌يار با استفاده از شبكه عصبي احتمالي، پارامترهاي حساسيت، اختصاصيت و صحت به كمك اين سيستم به ترتيب معادل اعداد ?، 98/0 و 99/0 به دست آمد. نتيجه‌گيري: نتايج مطالعه نشان داد عملكرد شبكه عصبي احتمالي در تشخيص نوع سرطان پستان بهتر و قوي‌تر از ساير شبكه‌هاي عصبي مصنوعي بوده است. به‌علاوه شبكه پياده‌سازي شده در اين مقاله داراي سرعت بيشتر در فرايند آموزش و تعميم‌پذيري بهتري نسبت به موارد مشابه بوده است.

Abstract Introduction: Breast cancer is the most prevalent type of cancer in women. Timely diagnosis of cancer can increase the chances of a patient’s life expectancy. Artificial Neural Networks are the modern methods of modeling and forecasting. The purpose of this study is diagnosing benignity or malignancy of breast cancer tumors. For this purpose a support decision system (DSS) based on PNN designed. Methods: In this research, a PNN was devised which, based on input variables, helps predict the type of breast cancers. The proposed system relied on the available data of 699 cases of patients with breast cancer that were stored in UCI Machine Learning Repository. The existing data in the reservoir were preprocessed and the data were then normalized through the linear method. To implement the network, the applications and functions in Matlab were used, and 65% of the data were used for the network training phase, whereas the remaining 35% were used for network testing phase. Nine clinical variables were considered as the network inputs. Criteria for sensitivity, specificity, and accuracy were used to evaluate the test phase of the network. Results: After the DSS simulation using PNN, the parameters of sensitivity, specificity, and accuracy were found by the system to be 1, 0.98, and 0.99, respectively. Conclusion: The results showed PNN performance in the detection of breast cancer better and stronger than other artificial neural networks. The network implementation in this article has more speed in training phase, and generalization is better than similar research.