تعیین مرحله بالینی بیماران مبتلا به سرطان پستان با استفاده از سیستم Tnm و الگوریتم کلونی مورچگان

مقدمه: میزان پیشرفت سرطان پستان (مرحله،staging )، یکی از مهم ترین عوامل تعیین کننده میزان بقای فرد بیمار و انتخاب روش های درمانی مناسب توسط پزشکان است. معمولا تعیین پیشرفت سرطان پستان، پس از عمل جراحی و از طریق ارزیابی بافت شناسی انجام می شود. از این رو یافتن الگوریتم مناسبی که بتواند میزان پیشرفت و همچنین مرحله (staging) سرطان پستان را تعیین کند، به پزشکان در ارایه روش های درمانی مناسب کمک فراوانی خواهد کرد. لذا در این پژوهش تلاش شده است تا با استفاده از تکنیک های داده کاوی، یک مدل قوی پیش بینی مرحله سرطان پستان معرفی گردد.روش بررسی: در این پژوهش، یک مدل مکانیزه با استفاده از سیستم tnm و همچنین استفاده از الگوریتم کلونی مورچگان، برای تشخیص مرحله سرطان پستان، پیشنهاد شده است. این روش ها به دلیل عدم نیاز به عمل جراحی، باعث کاهش زیاد هزینه ها و آسیب های روحی بیمار می شود. برای ارزیابی سیستم، از دیتاست بین المللی seer و یک دیتاست محلی از اطلاعات 1148 بیمار زن مبتلا به سرطان پستان، استفاده شد و دو معیاردقت وسطح زیر نمودار راک برای طبقه بندی های مختلف محاسبه گردید.یافته ها: با استفاده از سیستم tnm برای دیتاست seer، دقت 99.93% و برای دیتاست محلی، دقت 99.91% و با استفاده از الگوریتم کلونی مورچگان، برای دیتاست seer دقت 99.43% و برای دیتاست محلی، دقت 98.95% بدست آمد. همچنین مشخص گردید علاوه بر ویژگی های مورد استفاده مرسوم t ، n و m، ویژگی های دیگری همچون تهاجم عروقی، سن بیمار، گروه خونی، تعدا فرزندان، محل تولد، بافت شناسی سلولی، نوع بافت درگیر و sitespecific factor های شماره 2 ، 3 و 6 نیز می توانند به عنوان عوامل مهم در تعیین مرحله بالینی بیماران مبتلا به سرطان پستان استفاده شوند.نتیجه گیری: بر اساس نتایج حاصل، دو طبقه بند logistic و multi class classifier به ترتیب دارای بالاترین میزان دقت برای دیتاست های seer و محلی این پژوهش هستند.

Breast Cancer Staging by Using TNM System and Ant Colony Algorithm

Introduction: Staging is one of the most important factors determining the survival of a patient suffering from breast cancer and plays a key role in choosing treatment modalities. The method of choice for cancer staging is surgery followed by histological evaluation. However, finding a predictive algorithm to replace surgery in the staging of breast cancer is both cost and timesaving and helps physicians to provide appropriate therapeutic techniques. The present paper introduces a strong predictive model for breast cancer staging using data mining techniques.Methods: We suggested a mechanized model based on the TNM staging system and the ant colony algorithm. This method would reduce the patient’s mental stress and financial costs because it does not need a surgical operation. The SEER international dataset and a local data set of 1148 women with breast cancer were used to evaluate the system performance, and model accuracy and the area under the ROC curve were calculated for different classifications.Results: Using the TNM system, the accuracy rates were 99.93% and 99.91% for the SEER international dataset and the local dataset, respectively. The accuracy rates were 99.43% and 98.95% for the SEER international dataset and local dataset, respectively, when the ant colony algorithm was applied. Our results indicated that in addition to commonly used features in the TNM system, other features such as vascular invasion, age, blood group, number of children, birthplace, histology, CS Extension, positive regional node, morphology, and SiteSpecific Factors 2, 3, and 6 can be used as important factors for breast cancer staging.Conclusion: Based on the results obtained, the two Logistic and MultiClass Classifiers have the best accuracies for the SEER and local datasets in this study.