مدل سازی درخت تصمیم گیری بر اساس روش های داده کاوی و پیشنهاد یک مدل جدید در تشخیص سرطان پوست با دو روش رنگ آمیزی ایمونوهیستوشیمی

مقدمه: شیوه های نوین تشخیصی، نظیر رنگ آمیزی ایمونوهیستوشیمیایی در سرطان پوست به متخصصان کمک می کند تا با اطمینان بیشتر و در زمان کوتاه تر به تشخیص برسند. هدف از این مطالعه، مقایسه یک روش مبتنی بر درخت تصمیم، برای تشخیص افتراقی دو نوع سرطان پوست (سرطان سلول های بازال و سرطان سلول های سنگفرشی) بر اساس نتایج سه روش رنگ آمیزی می باشد.روش: در حوزه داده کاوی و با استفاده از نرم افزارهای spss.v19 و clementine.v12 با روش های مدل سازی درخت تصمیم گیری cart و chaid، داده های مربوط به 60 بیمار مبتلا به سرطان پوست مربوط به کشور مالزی بررسی شد. سه روش رنگآمیزی bcl2 و (galectin3(c و (galectin3(n برای تشخیص، وارد مدل شدند. بهترین متغیر پیش گویی کننده برای ساخت درخت، شناسایی و با مدل پژوهشگرساخته دیگری بر مبنای مقادیر بحرانی حاصل از roc curve analysis و نتایج پاتولوژی مقایسه شد.نتایج: در مدل ترکیبی حاصل، میزان حساسیت و ویژگی تشخیص برای bcc به ترتیب 1/82 و 100 درصد، برای scc به ترتیب 100 و 8/82 درصد، دقت کلی مدل 38/90 درصد، ارزش اخباری مثبت (ppv)برای تشخیص scc و bcc به ترتیب 1/82 و 100 درصد و نسبت درست نمایی مثبت (plr) برای bcc و scc به ترتیب 8/5 و 5/5 به دست آمد.نتیجه گیری: مدل درخت تصمیم گیری بر اساس دو روش رنگ آمیزی ایمونوهیستوشیمی در سرطان پوست، می تواند در تشخیص این دو بیماری بدخیم کمک کند و زمینه تحقیقات بیشتر را فراهم آورد.

Modeling a Data Mining Decision Tree and Propose a New Model for the Diagnosis of Skin Cancer by Immunohistochemical Staining Methods

Introduction: New diagnostic methods like immunohistochemistry staining in skin cancer can help the physicians to have more accurate diagnosis. The purpose of this study was to compare a method based on decision tree for differential diagnosis of two kind of skin cancer (Basal cell cancer and Squamous cell cancer) based on the results of staining methods. Method: Sixty skin cancer patients rsquo; data from Malaysia were assessed by two methods of decision tree, CART and CHAID, in data mining and using Clementine 12 and SPSS 19. The results of three staining methods including Bcell lymphoma2 antibody (BCL2), Galectin3 (Cytoplasm), and Galectin3 (Nucleus) were analyzed. The best predictive model for decision tree induction was compared with another researchermade model based on critical values resulted from Receiver Operating Characteristic (ROC) curve analysis.Results: In final synthetic model, the sensitivity and specificity for Basal Cell Carcinoma (BCC) were 82.1% and 100%, and for Squamous Cell Carcinoma (SCC) were 100% and 82.8%, respectively. The overall accuracy of the model was 90.38% and the positive predictive values (PPV) for SCC and BCC were 82.1% and 100%, and the positive likelihood ratios (PLR) were 5.8 and 5.5 respectively. Conclusion: The decision tree model based on two methods of immunohistochemistry staining in skin cancer, can help in the diagnosis of these malignant disease and provide further studies.