بهینه سازی شبکه عصبی mlp با استفاده از الگوریتم ژنتیک موازی fingrain برای تشخیص سرطان سینه

امروزه استفاده از سیستم‌های هوشمند در تشخیص پزشکی به تدریج در حال افزایش است. این سیستم‌ها می‌توانند به کاهش خطایی که ممکن است توسط کارشناسان کم‌تجربه اتفاق بیافتد، کمک کند. بدین منظور استفاده از سیستم‌های هوشمند مصنوعی در پیش‌بینی و تشخیص سرطان سینه که یکی از رایج‌ترین سرطان‌ها در بین زنان است، مورد توجه می‌باشد. در این تحقیق فرآیند تشخیص بیماری سرطان سینه با یک رویکرد دو مرحله‌ای انجام می‌شود. در مرحله اول دو پارامتر ویژگی‌های موثر و تعداد نودهای لایه مخفی به منظور آموزش شبکه عصبی mlp به صورت همزمان توسط یک الگوریتم ژنتیک بهینه‌سازی می‌شوند. سپس با استفاده از ویژگیهای انتخاب شده و تعداد نودهای لایه مخفی، یک مدل طبقه‌بندی برمبنای شبکه عصبی mlp برای تشخیص بیماری سرطان سینه در مرحله دوم ایجاد می‌شود. در این مرحله از یک الگوریتم ژنتیک موازی fingrain بر مبنای پارامترهای بهینه‌سازی شده، برای تنظیم وزن‌های شبکه عصبی mlp استفاده می‌شود. ارزیابی آزمایش‌ها نشان می‌دهد که روش پیشنهادی در مقایسه با روش‌های gaann و cafs روی مجموعه‌داده wbcd به نتایج بهتری رسیده است و دقت 98.72% را در حالت میانگین گزارش می‌کند.

Optimization of MLP Neural Network Using the FinGrain Parallel Genetic Algorithm for Breast Cancer Diagnosis

Today, the use of intelligent systems in medical diagnosis is gradually increasing. These systems lead to a reduction in error, which may be experienced by inexperienced experts. In this study, the use of artificial intelligent systems in predicting and diagnosing breast cancer, which is one of the most common cancers among women, is being considered. In this research, the diagnosis of breast cancer is performed with a twostage approach. In the first step, the two parameters of the effective properties and the number of secret layer nodes for optimizing the MLP neural network are simultaneously optimized by a genetic algorithm. Then, using selected features and number of hidden layer nodes, a MLP neural network modeling model is developed for diagnosis of breast cancer in the second step. Here, a FinGrain parallels genetic algorithm based on optimized parameters is used to adjust the weight of the MLP neural network. The evaluation of the experiments shows that the proposed method compared to the two GAANN and CAFS methods on the WBCD dataset yielded better results and reported an accuracy of 98.72% in the average time.