تشخیص لوسمی لنفوسیتی و میلوئیدی حاد با استفاده از انتخاب ژن‌های موثر ریز‌آرایه و الگوریتم‌های داده‌کاوی

سرطان یکی از مهم‌ترین علت‌های مرگ و میر در جهان است. در بیشتر موارد اگر این بیماری زودتر شناسایی شود قابل درمان است. یکی از روش‌های تشخیص سرطان استفاده از داده‌های ریزآرایه است که بر خلاف روش تصویربرداری، اشعه‌های مضر برای انسان در آن وجود ندارد. ریزآرایه‌ها دارای ژن‌های بسیار زیادی هستند که باعث پیچیده و زمان‌بر شدن تحلیل می‌شوند بنابراین انتخاب ژن‌های مفید یکی از گام‌های اساسی در تشخیص این بیماری است. روش پیشنهادی در این مقاله دارای دو فاز اصلی است که فاز اول آن انتخاب ژن‌های موثر است. در فاز بعدی، عمل تشخیص بیماری از ژن‌های انتخاب شده توسط فاز اول انجام می‌گیرد. در گذشته الگوریتم‌های زیادی مانند ridge برای این منظور ارایه شده است که با توجه به نتایج به‌دست آمده از آزمایش‌ها، دقت روش پیشنهادی این مقاله نسبت به آن‌ها برتری دارد. در این مقاله از مجموعه داده لوکیمیا و سرطان روده به‌عنوان ورودی و ارزیابی روش پیشنهادی استفاده شده است. دقت روش پیشنهادی جهت تعیین مکان ژن‌ها و تشخیص نوع سرطان لوکیمیا و سرطان روده به‌ترتیب 97.62% و 92.31% است. نتایج به‌دست آمده از این روش نسبت به دیگر روش‌های موجود از نظر دقت در مجموعه داده لوکیمیا 2.38% و در مجموعه داده سرطان روده 5.61% بهبود یافته است؛ همچنین نسبت به آزمایش‌های بیولوژی از دسترسی آسان‌تر و هزینه کمتری برخوردار است. 

detecting acute lymphocytic and myeloid leukaemia by selecting effective microarray and data-mining algorithms

cancer is one of the leading causes of death in the world. in most cases, it can be treated if the disease is detected earlier. one way to diagnose cancer is to use microarray data, which, unlike imaging, does not contain harmful rays to humans. microarrays have many genes that complicate and take time to analyse, so selecting useful genes is one of the key steps in diagnosing the disease. the proposed method in this paper has two main phases, the first of which is the selection of effective genes. in the next phase, the disease is diagnosed from the selected genes by the first phase. in the past, many algorithms such as ridge have been proposed for this purpose, which according to the results of experiments, the accuracy of the method proposed in this paper is superior to them. in this paper, leukaemia and colon cancer datasets are used as input and evaluation of the proposed method. the precision of the proposed method for locating genes and diagnosing leukaemia and colorectal cancer is 97.62% and 92.31%, respectively. the results obtained from this method compared to other existing methods in terms of precision in the leukaemia dataset 2.39% and in the colorectal cancer dataset 5.62% improved; it is also easier to access and less expensive than biological experiments.