استفاده از الگوريتم جغرافياي زيستي در بهينه سازي شبكه عصبي جهت تشخيص سرطان پستان

Using Bio-geographical Algorithm in Optimizing Neural Network for the Diagnosis of Breast Cancer

مقدمه: در حال حاضر، سرطان پستان از شايعترين بيماري­ هاي زنان است. دسته بندي دقيق تومور سرطان پستان نقش كليدي را در امر تشخيص پزشكي ايفا مي­كند. متخصصين به دنبال روش­هاي بهينه جهت بهبود تشخيص اين تومور مي باشند. روش بررسي: در اين مطالعه شبكه عصبي مبتني بر جغرافياي زيستي ارايه گرديده كه با استفاده از آناليز اجزاي اصلي در مرحله آماده سازي و بروز رساني همزمان وزنها موفق به دستهبندي داده ­ها به عنوان خوش خيم يا بدخيم مي­گردد. جهت ارزيابي الگوريتم ارايه شده از داده هاي بانك اطلاعاتي ويسكانسين استفاده شده است. يافته ها: دقت تفكيك در حالت عادي يعني حالتي كه از آناليز اجزاي اصلي و الگوريتم بهينه سازي استفاده نشده و تنها شبكه عصبي با نسبت 70-30 داده هاي آموزش به تست مورد استفاده قرار گيرد، 97/2% است. با بكارگيري آناليز اجزاي اصلي و كاهش 9 ويژگي به 8 ويژگي دقت به 98/5 مي­ رسد. نهايتا با استفاده از الگوريتم بهينه سازي جغرافياي زيستي همراه با اعتبار سنجي ضربدري 10 گانه دقت به 100% رسيده كه به ميزان قابل توجهي از نتايج بدست آمده از مطالعات ديگر موفق تر است. نتيجه گيري: استفاده از اين الگوريتم ميتواند عملكرد شبكه عصبي را بهبود دهد. مقايسه روش ارايه شده با حالت بهينه نشده و در حالتي كه فقط ازPCA و شبكه عصبي استفاده شده است، عملكرد بهينه اين روش را نشان داد. نتايج حاكي از آن است كه مدل ارايه شده در اين مقاله دقت بسيار بالايي در تفكيك داده هاي سرطان پستان دارا مي­ باشد و مي توان از آن جهت تشخيص نهايي اين سرطان استفاده نمود.

Introduction: Breast cancer is the most common cancer in women. Accurate classification of breast cancer has a key role in medical diagnosis. Hence, researchers seek optimized methods to improve tumor diagnosis. Methods: The current study presents bio-geographical based optimization neural network for classifying data as benign and malignant using principal component analysis in preprocessing stage and updating weights concurrently. The presented algorithm was assessed using the data from Wisconsin databank. Results: Classification accuracy in a normal state, that is, without applying principal component analysis and an optimization algorithm, and applying only neural network at a ratio of %70 to %30 from training and testing set is %97.2. Accuracy reaches %98.5 after applying principal component analysis and decreasing features from nine to eight. Finally, using bio-geographical based optimization algorithm with a 10-fold cross validation, accuracy reaches %100, which is significantly more successful than other similar studies. Conclusion: Applying this algorithm can optimize the performance of the neural network. The optimal performance of this method is revealed by comparing the proposed method with the non-optimized method and the approach which used only PCA and neural network method. The results suggest that the method presented in this paper had a high accuracy in classifying breast cancer data and can be used for its diagnosis.