پیش‌بینی بقاء بیماران مبتلا به سرطان ریه با استفاده از سیستم استنتاج عصبی- فازی تطبیقی بهبودیافته

مقدمه: سرطان ریه منبع اصلی مرگ‌ومیر برای مردان و زنان در سراسر جهان می‌باشد. بیماری ریه توسعه و رشد غیرقابل‌کنترل سلول‌ها در یک یا هر دو ریه می‌باشد. تشخیص زودرس سرطان آسان نیست؛ اما اگر سریع تشخیص داده شود، قابل‌درمان است. هدف از این مطالعه، ساخت مدل بهینه پیش‌بینی کننده بقاء بیماران مبتلابه سرطان ریه بر اساس ویژگی‌های بیماران با رویکرد داده‌کاوی می‌باشد.روش: در این مطالعه توصیفی کاربردی، از الگوریتم سیستم استنتاج عصبی فازی تطبیقیanfis و الگوریتم بهینه‌سازی ازدحام ذرات pso برای پیش‌بینی بقاء بیماران مبتلابه سرطان ریه استفاده شد. در این مطالعه، از پایگاه داده معتبر برنامه‌ نظارت، اپیدمی‌شناسی و نتایج نهایی seer دانشگاه لوییزول آمریکا استفاده‌ شد. برای ارزیابی روش پیشنهادی از معیارهای دقت، صحت، خطا و جذر خطای میانگین مربعات استفاده شد.نتایج: نتایج نهایی به‌ دست‌آمده در این مطالعه نشان‌دهنده برتری روش بهینه‌سازی anfis با الگوریتم pso نسبت به سایر روش‌ها، در راستای پیش‌بینی بقاء بیماران مبتلابه سرطان ریه با متوسط صحت برابر 99/80% برای بقاء یک‌ساله، 99/74% برای بقاء دوساله و 99/66% برای بقا پنج‌ساله بر روی مجموعه داده seer بود.نتیجه گیری: استفاده از مدل بهینه‌سازی شده anfis با الگوریتم pso در پیش‌بینی بقاء بیماران مبتلا به سرطان ریه بسیار قدرتمند است. مدل پیشنهادی نسبت به سایر مدل‌های مورد مقایسه دارای بیشترین صحت، دقت و کمترین میزان خطا بوده است؛ بنابراین به‌کارگیری این مدل درزمینه پیش‌بینی بقا پیشنهاد می‌شود.

Predicting Survival of Patients with Lung Cancer Using Improved Adaptive Neuro-Fuzzy Inference System

Introduction: Lung cancer is the main cause of mortality in both genders worldwide. This disease is caused by the uncontrollable growth and development of cells in both or one of the lungs. Although the early diagnosis of this cancer is not an easy task, the earlier it is diagnosed, the higher will be the chance of treating. The objective of this study was to develop an optimized prediction model of the survival of patients with lung cancer based on patients rsquo; characteristics through data mining approach.Method: In this applieddescriptive study, the Adaptive NeuroFuzzy Inference System (ANFIS) algorithm and the Particle Swarm Optimization (PSO) algorithm were applied to predict the survival rate of patients with lung cancer. The Surveillance, Epidemiology and EndResults (SEER) database of Louisville University, USA was also utilized. The evaluation of this proposed model was conducted based on certain criteria including accuracy, precision, error and rootmeansquare error.Results: The obtained finding indicate the outperformance of ANFIS through PSO algorithm vs. its counterparts in this context with a 99.80 accuracy for oneyear survival, 99.74% for twoyears and 99.66% for fiveyears on SEER dataset.Conclusion: Applying ANFIS through PSO in predicting the survival of patients with lung cancer is a strong measure. Compared with other models, this newly proposed model was of the highest accuracy and precision and of the lowest error rate. Therefore, it is suggested to apply this model for predicting survival of patient.