یک مدل طبقه بندی ترکیبی برای تشخیص سرطان پستان با استفاده از پشته تعمیم یافته

مقدمه: سرطان پستان یکی از رایج‌ترین انواع سرطان‌ها است و رشد قابل ملاحظه‌ای از آن در سال‌های اخیر گزارش شده است. به منظور تشخیص این بیماری، پارامترهای زیادی باید بررسی گردد که خطاهای انسانی و یا عوامل محیطی امکان اشتباه را ممکن می‌کند. به همین دلیل در چند دهه اخیر از هوش مصنوعی برای تشخیص این بیماری در جهت کمک به پزشکان استفاده می‌شود.روش: در این مطالعه توصیفیکاربردی، تشخیص بیماری سرطان پستان با استفاده از پشته تعمیم یافته در قالب یک مدل ترکیبی مبتنی بر سه روش شبکه عصبی mlp، درخت تصمیم id3 و ماشین بردار پشتیبان ارائه ‌شد. برای بهبود عملکرد مدل طبقه‌بندی ترکیبی از یک رویکرد جدید تحت عنوان بلاک جداکننده استفاده شد. این بلاک وظیفه تشخیص نمونه‌هایی را دارد که باعث ایجاد خطا در مدل طبقه‌بندی می‌شوند.نتایج: به منظور ارزیابی دقت روش پیشنهادی از پایگاه داده ویسکانسین مرتبط با بیماری سرطان پستان استفاده شد. نتایج آزمایش‌ها برتری روش پیشنهادی را در مقابل سایر روش‌های مشابه نشان داد. دقت مدل طبقه‌بندی ارائه شده روی مجموعه داده‌های wbcd، wdbc و wpbc از پایگاه داده ویسکانسین به ترتیب 99/54%، 99/58% و 99/84% بود.نتیجه‌گیری: با استفاده از الگوریتم‌های داده‌کاوی می‌توان سیستم‌های نوین و با صرفه‌تری در نظام سلامت و درمان ارائه کرد که با دقت بالایی قادر به تشخیص سرطان پستان باشند. در این تحقیق ضمن تشخیص بیماری به کمک روش‌های داده‌کاوی، توانست با استفاده از تکنیک پشته تعمیم یافته به دقت بالایی در تشخیص بیماری دست یابد.

An Ensemble Classification Model for the Diagnosis of Breast Cancer Using Stacked Generalization

Introduction: Breast cancer is one of the most common types of cancer whose incidence has increased dramatically in recent years. In order to diagnose this disease, many parameters must be taken into consideration and mistakes are possible due to human errors or environmental factors. For this reason, in recent decades, Artificial Intelligence has been used by medical practitioners to diagnose this disease.Method: In this applieddescriptive study, the diagnosis of breast cancer using stacked generalization was presented in the form of an ensemble model based on MLP neural network, ID3 decision tree, and support vector machine methods. To improve the performance of the ensemble classification model, a new approach called separator block was used. This block is responsible for identifying instances that cause errors in the classification model.Results: In order to evaluate the accuracy of the proposed method, the Wisconsin database for breast cancer was used. The experimental results showed the superiority of the proposed method over other similar methods. The accuracy of the classification model presented on the WBCD, WDBC, and WPBC datasets from the Wisconsin database was 99.54%, 99.58% and 99.84%, respectively.Conclusion: Data mining algorithms can provide new and more costeffective systems in the field of health and treatment that can diagnose breast cancer with high accuracy. In this study, modeling based on the stacked generalization technique was of high accuracy in the diagnosis of breast cancer.