انتخاب ویژگی‌های موثر در تشخیص سرطان پستان با استفاده از مدل‌های پارامتریک یادگیری ماشین

مقدمه: آزمایش آسپیراسیون سوزنی روشی کم هزینه، آسان و سریع برای تشخیص دقیق و زود هنگام سرطان پستان است. با استفاده از خصوصیات استخراج شده از آزمایش آسپیراسیون سوزنی و با کمک تکنیک های یادگیری ماشین می‌توان سیستمی کارآمد را برای تشخیص سرطان پستان طراحی نمود که با دقت بالایی خوش خیم یا بدخیم بودن تومورهای پستان را تشخیص دهند. هدف از انجام این مطالعه، انتخاب ویژگی‌های موثر در تشخیص سرطان پستان با استفاده از مدل‌های پارامتریک یادگیری ماشین است.روش بررسی: در این مطالعه از داده های پایگاه داده wbcd موجود در uci که شامل 683 نمونه خوش خیم و بدخیم تومور پستان که هر نمونه دارای 9 ویژگی است استفاده شد. سپس انتخاب ویژگی با روش پیش‌رو ‌و دسته‌بندی نوع تومور با انواع روش‏های پارامتریک مانند دسته‌بندی درجه دو، دسته‌بندی خطی و دسته‌بندی‌ نزدیک‏ترین میانگین انجام گرفت. یافته ها: روش پارامتریک دسته بندی‌ درجه دو با استفاده از انتخاب ویژگی پیش‌رو، بالاترین کارایی را در تشخیص سرطان پستان دارد. این روش با انتخاب چهار ویژگیuniformity of cell size, bare nuclei, bland chromatin, mitoses دارای دقت 90/98% و حساسیت 89/97% است. همچنین در همه روش‌ها ویژگی های uniformity of cell size و bare nuclei بالاترین کارایی را دارند.نتیجه گیری: نتایج این مطالعه نشان داد که با روش انتخاب ویژگی پیش‌رو و تکنیک های پارامتریک یادگیری ماشین، علاوه بر دست‌یابی به عملکرد بالا در تشخیص سرطان پستان، عوامل و ویژگی های اصلی در تشخیص سرطان پستان نیز شناسایی می شوند. به نظر می‌رسد این ویژگی‌ها یکی از مهم‏ترین عوامل برای کمک به تشخیص سرطان پستان هستند.