تشخیص هوشمند سرطان حنجره با استفاده از روش‌های یادگیری ماشین

مقدمه: سرطان حنجره بر اساس عوامل مختلف می‌توانند خوش‌خیم یا بدخیم باشند. هدف این پژوهش بهبود مدلی مبتنی بر یادگیری ماشین جهت ارتقاء تشخیص افراد درگیر با سرطان حنجره می‌باشد.  روش کار: گام نخست، صداهای افرادی که به مراکز درمانی مراجعه کرده‌اند (شامل آواهای (آ)، (ای)، (او)) ضبط شده و به عنوان مجموعه داده در نظر گرفته شده‌اند؛ در گام دوم داده‌ها توسط پزشک متخصص به سه کلاس سرطان خوش‌خیم، سرطان بدخیم و سالم تقسیم شده‌اند؛ در گام سوم مرحله پاکسازی داده‌ها انجام شده است؛ در گام چهارم ویژگی‌های مرتبط با صدا از داده‌ها استخراج و در گام پنجم، 5 مدل یادگیری ماشین svm، decision tree، naïve bayes، mlp  و  random forest بر روی مجموعه داده‌ها پیاده‌سازی شده است و در آخر با استفاده از معیارهای ارزیابی مانند دقت، f-score  و دیگر معیارهای ارزیابی، عملکرد مدل‌ها ارزیابی شده است. یافته‌ها: نتایج پیاده‌سازی نشان داد که مدل svm برای آوای (آ)  و آوای (او)  با دقت 0/818، دقت بالاتری نسبت به سایر مدل‌ها از خود نشان داده است، آوای  (ای) با دقت 0/818 در مدل mlp بالاترین دقت را دارا می‌باشد.نتیجه‌گیری: پژوهش حاضر،  به ارزیابی مدل‌های یادگیری ماشین برای تشخیص سرطان حنجره بر اساس داده‌های صوتی پرداخته است، نتایج نشان داد که استفاده از مدل svm برای تشخیص سرطان حنجره می‌تواند با دقت بیشتری در تشخیص این بیماری کمک کند و ارائه نتایج قابل اعتمادی را فراهم آورد.

intelligent diagnosis of larynx cancer using machine learning methods

introduction: larynx cancer can be benign or malignant based on various factors. this research aimed to provide a machine learning-based model to improve the diagnosis of individuals with larynx cancer.method: in the first step, the voices of the people who visited the medical centers (including the sounds (a), (e), and (o)) were recorded and considered as a data set. in the second step, the data were classified into three classes (benign cancer, malignant cancer, and healthy) by a specialist. in the third step, the data cleaning was done. in the fourth step, the features related to sound were extracted from the data. in the fifth step, five machine learning models including svm, decision tree, naïve bayes, mlp, and random forest were implemented on the data set. finally, the performance of the models was evaluated using evaluation criteria such as accuracy, f-score, and other evaluation criteria.results: the results of the implementation showed that the svm model had a higher accuracy than other models for the sound (a) and sound (o) with an accuracy of 0.818, and the sound (e) with an accuracy of 0.818 in the model mlp had the highest accuracy.conclusion: the present study evaluated machine learning models for the diagnosis of laryngeal cancer based on audio data. the results showed that the use of the svm model for the diagnosis of laryngeal cancer can help diagnose this disease more accurately and provide reliable results.