بهبود تشخیص بیماری سرطان پستان با استفاده از سیستم استنتاج عصبی- فازی تطبیقی

امروزه سرطان یکی از مهم ترین عوامل مرگ‌ومیر در دنیا است و سرطان پستان از شایع‌ترین آن ها در میان زنان می باشد. تشخیص زودهنگام این بیماری، یکی از معضلات مهم پزشکان می‌باشد و نقش بسیار کلیدی در درمان موفق و حیات بیمار ایفا می کند. در این پژوهش مدل های مبتنی بر داده‌کاوی، ارائه شده و پایگاه داده آن مشتمل بر 683 رکورد با 9 متغیر بالینی است که از بیماران مبتلا به سرطان پستان بیمارستان ویسکانسین جمع‌آوری‌ شده است و در مرجع داده uci قابل دسترس است. تشخیص سرطان پستان در دو خوشه خوش‌خیم و بدخیم صورت گرفته است. در بهترین حالت خوش خیم یا بدخیم بودن سرطان با روش‌های نظارت‌شده شبکه های عصبی پرسپترون چندلایه (mlp)، شبکه عصبی بردار یادگیر (lvq)، شبکه عصبی پایه شعاعی (rbf)، خوشه‌بندی بدون نظارت (kfc) و همچنین عصبی- فازی (anfis) به‌ترتیب دقت‌های 97.5 درصد، 97.6 درصد، 98.3 درصد ،75 درصد، 99.2 درصد به‌دست آمد. تشخیص به‌موقع سرطان پستان، ضمن کاهش هزینه‌های درمانی بیمار، شانس درمان موفقیت‌آمیز را افزایش می دهد. در این مطالعه ضمن تشخیص بیماری سرطان پستان، نشان داده ‌شده است که مدل‌های مبتنی بر استنتاج عصبی- فازی، عملکرد قابل‌قبول‌تری نسبت به سایر روش‌های موردمطالعه، در تشخیص بیماری سرطان پستان دارد. مدل ارائه شده می‌تواند به‌عنوان دستیار پزشک در خدمت جامعه پزشکی قرار گیرند.

improving diagnosis of breast cancer disease using adaptive neuro-fuzzy inference system

cancer and particularly breast cancer is one of the most common diseases among women worldwide. early detection of breast cancer is a major challenge for physicians and is key in successful treatment and patient survival. this study introduces some data mining methods for the prediction of breast cancer based on a dataset containing 683 independent records with 9 features from the uci machine learning repository. the models were used to diagnose benign and malignant breast cancer. results showed that the accuracy of multi-layer perceptron neural network (mlp), learning vector quantization (lvq) neural network, radial basis function (rbf), fuzzy clustering (kfc), adaptive neuro-fuzzy inference system model (anfis) were 97.5%, 97.5%, 98.3%, 75% and 99.2%, respectively. early diagnosis of breast cancer disease reduces the cost of treatment and increases the chance of successful treatment. this study demonstrated that neuro-fuzzy inference system performed better than other models for breast cancer diagnosis. in this study, while diagnosing breast cancer, it was illustrated that models based on fuzzy neural inference had a more acceptable performance than other methods in diagnosing breast cancer. the proposed model can assist the medical community, particularly mammography specialists.