طراحي يك سيستم تصميم‌گيري گروهي با تركيب فازي روش‌هاي رگرسيون در پيش‌بيني خوش‌خيم يا بدخيم بودن تومورهاي پستان

Designing a Group Decision-Making System Using a Fuzzy Combination of Regression Methods for Prediction of Benign or Malignant Breast Tumors

مقدمه: در تحقيقات سرطان، تشخيص زودهنگام سرطان پستان بر پيش‌آگهي و طول عمر بيمار تأثيرگذار است. روش‌هاي هوش مصنوعي و داده‌كاوي ازجمله روش‌هاي پيش‌بيني هستند كه در اين مورد مي‌توانند كمك‌كننده باشد. هدف از اين مقاله طراحي و ارزيابي يك سيستم جديد تشخيص خودكار كامپيوتري جهت پيش‌بيني نوع توده پستان با استفاده از تركيب فازي روش‌هاي رگرسيون است. روش بررسي: در اين مطالعه توصيفي- تحليلي يك سيستم تصميم‌گيري گروهي با تركيب روش‌هاي رگرسيون PCA، RSM و SVR-Firefly به‌منظور ‌پيش‌بيني نوع توده‌ پستان اعم از تومور خوش‌خيم يا بدخيم طراحي‌شده است. به‌منظور ارزيابي سيستم طراحي‌شده از مجموعه داده مربوط به بيماران مبتلا به سرطان پستان بيمارستان ويسكانسين موجود در انبار داده يادگيري ماشين استفاده ‌شده است. داده‌هاي ورودي پس از پيش‌پردازش به‌صورت تصادفي به دو دسته داده آموزش و آزمون تقسيم شد. سپس با هر يك از روش‌هاي رگرسيون ذكرشده مورد آموزش و آزمون قرار گرفت. درنهايت خروجي اين روش‌ها با رويكردهاي رأي‌گيري فازي و ميانگين‌گيري فازي تركيب شد. سيستم تصميم‌گيري گروهي پيشنهادي با نرم‌افزار MATLAB شبيه‌سازي‌ شده است. يافته‌ها: اين مطالعه بر 683 مورد زن مبتلا به سرطان پستان انجام شد كه از اين تعداد 444 نمونه داراي تومور خوش‌خيم و 239 نمونه داراي تومور بدخيم مي‌باشد. براي هر مورد از 9 متغير باليني به‌عنوان ورودي استفاده شد. عملكرد سيستم تصميم‌گيري گروهي طراحي‌شده بر اساس شاخص‌هاي صحت، دقت، حساسيت و اختصاصيت در مرحله آزمون در حالت متوسط با روش رأي‌گيري فازي معادل اعداد 0/9832، 0/9588، 0/9900 و 0/9832 و در روش ميانگين‌گيري فازي معادل اعداد 0/9820، 0/9524، 0/9929 و 0/9804 به دست آمد. درحالي‌كه اين شاخص‌ها در بهترين حالت با هر دو روش معادل عدد يك به دست آمد. نتيجه‌گيري: بالا بودن شاخص‌هاي عملكردي سيستم تصميم‌گيري گروهي در اين مقاله نشان داد كه سيستم پيشنهادي عملكرد مناسبي در پيش‌بيني خوش‌خيم يا بدخيم بودن توده‌هاي پستان دارد. تعيين دقيق نوع توده مي‌تواند در انتخاب روش درماني مناسب به پزشك كمك كند و از پيشروي اين سرطان جلوگيري كند. همچنين نرم‌افزار طراحي‌شده بر اساس شبيه‌سازي اين مقاله مي‌تواند در آموزش پزشكان به كار رود.

Introduction: In cancer research, early detection of breast cancer is effective in prognosis and increasing the survival of patients. Artificial intelligence and data mining methods are predictive methods that can be useful in this case. The purpose of this paper is to design and evaluate an automatic computer-aided diagnosis system to predict the type of breast tumor by using a fuzzy combination of regression methods. Methods: In this descriptive-analytic study, a group decision-making system was designed by using the combination of PCA (Principal Components Analysis), RSM (Response Surface Methodology) and SVR-Firefly (Support Vector Regression- Firefly) methods to predict the type of breast tumor (benign or malignant). To evaluate the designed system, we used the Wisconsin Breast Cancer Dataset stored in the UCI (University of California, Irvine) Machine Learning Repository. After pre-processing, the data was split into training and testing datasets, which were evaluated by each of mentioned regression methods. Finally the results of the regression methods were combined by fuzzy voting and fuzzy averaging approaches. The proposed group decision-making system was simulated by MATLAB software. Results: This study was conducted on 683 women with breast cancer, including 444 cases with benign tumors, as well as 239 cases with malignant tumors. For each case, nine clinical variables were used as inputs. The performance of the proposed group decision-making system in test phase is based on accuracy, precision, sensitivity and specificity. The values of these indicators were obtained, on average, 0.9832, 0.9588, 0.9900, 0.9832 in fuzzy voting method and 0.9820, 0.9524, 0.9929, 0.9804 in fuzzy averaging method while the performance indicators were obtained 1 by both methods in the best case. Conclusion: The results of experiments show the effectiveness of the proposed group decision-making system in predicting the type of breast tumors (benign or malignant). It can help the physicians to choose the best treatment method and prevent the cancer progression. The developed software can also be used for training physicians.