تشخیص ابتلا به سرطان پستان با استفاده از روش‌های درخت تصمیم، شبکه عصبی و بیز ساده به‌منظور ارایه مدل بومی ویژه استان فارس

زمینه و هدف: سرطان پستان شایع ترین سرطان و اصلی ترین علت مرگ ناشی از سرطان در زنان سراسر جهان به شمار می رود. تکنولوژی هایی مثل داده کاوی، به متخصصان این حوزه، امکان بهبود تصمیم گیری را در زمینه ی تشخیص زودهنگام فراهم آورده اند. هدف از این پژوهش توسعه ی مدل تشخیص خودکار سرطان پستان با به کارگیری روش های داده کاوی و انتخاب مدل بومی ویژه بیماران استان فارس با بالا ترین دقت تشخیص می باشد.روش بررسی: در این مطالعه، تعداد 654 پرونده در دسترس از بیماران کلینیک تخصصی سرطان پستان مطهری شیراز به عنوان نمونه مورد استفاده قرار گرفت که بعد از عملیات پیش پردازش این تعداد به 621 پرونده کاهش یافت. برای هر کدام از نمونه ها دارای 22 ویژگی در پرونده پزشکی ثبت شده بود که در نهایت 10 ویژگی تاثیر گذار در ساخت مدل استفاده شد. از سه روش درخت تصمیم، بیز ساده و شبکه عصبی مصنوعی به منظور تشخیص ابتلا به سرطان پستان و روش 10fold crossvalidation برای ساخت و ارزیابی مدل بر روی مجموعه داده ی جمع آوری شده بهره گرفته شد. یافته ها: نتایج به دست آمده از سه تکنیک ذکر شده نشان داد که هر سه مدل، نتایج امیدبخشی در تشخیص این سرطان دارند. در نهایت، شبکه عصبی مصنوعی، بالا ترین دقت 94/49%(حساسیت 96/19%، ویژگی 86/36%)، در تشخیص ابتلا به سرطان پستان به خود اختصاص داد.نتیجه گیری: بر طبق نتایج حاصل از درخت تصمیم ایجاد شده، ریسک فاکتورهایی چون سن، وزن، سن شروع قاعدگی، یائسگی، مدت زمان مصرف ocp و سن اولین بارداری از جمله عوامل موثر در ابتلای زنان به سرطان پستان در استان فارس شناخته شدند.

Diagnosis of Breast Cancer Using Decision Tree, Artificial Neural Network and Naive Bayes to Provide a Native Model for Fars Province

Background and Aim: Breast cancer is the most common type of cancer and the main cause of death from cancer in women worldwide. Technologies such as data mining, have enabled experts in this area to improve decision making in the early diagnosis of the disease. Therefore, the purpose of this research is to develop an automatic diagnostic model for breast cancer by employing data mining methods and selecting the model with the highest accuracy of diagnosis.Materials and Methods: In this study, 654 available patient records of Motahari breast cancer Clinic in Shiraz" were used as the sample. The number of records was reduced to 621 after the preprocessing operation. These samples had 22 features that ultimately used ten were used as effective features in the design of the model. Three types of Decision tree, Naive Bayes and Artificial neural network were used for diagnosis of breast cancer and 10fold crossvalidation method for constructing and evaluating the model on the collected data set.Results: The results of the three techniques mentioned all three models showed promising results in detecting breast cancer. Finally, the artificial neural network accounted for the highest accuracy of 94/49%(sensitivity 96/19%, specificity 86/36%) in the diagnosis of breast cancer.Conclusion: Based on the results of the decision tree, the risk factors such as age, weight, Age of menstruation, menopause, OCP of records duration, and the age of the first pregnancy were among the factors affecting the incidence of breast cancer in women.