مروری بر تکنیک‌های پیش‌بینی زودهنگام سرطان سینه و ارزیابی این تکنیک‌ها بر اساس معیارهای مناسب

بروز سرطان سینه در طول سال‌ها به دلیل تغییر در شیوه زندگی و محیط به طور پیوسته افزایش یافته است. در حال حاضر، سرطان سینه یکی از علل اصلی مرگ و میر ناشی از سرطان در میان زنان است که آن را به یک نگرانی حیاتی برای سلامت عمومی جهانی تبدیل کرده است. بنابراین، ایجاد یک سیستم تشخیص خودکار سرطان سینه در جامعه پزشکی اهمیت بالایی دارد. در این مقاله به مفاهیم عمومی سرطان سینه، داده کاوی و یادگیری ماشین و همچنین به معرفی تکنیکهای مفید یادگیری ماشین که برای طبقه بندی و پیش بینی سرطان سینه میتواند مفید باشد پرداخته شد. در بخش اصلی مقاله ارزیابی و مقایسه این تکنیکها بر اساس معیارهای مناسب دقت، صحت، بازخوانی، خاصیت و امتیاز f1 مرور و انجام شد. نتایج ارزیابی این طبقه بندها از تحقیقات مناسب که آزمایش های آنها روی مجموعه داده های استاندارد انجام شده، نشان داد که از بین تکنیک های معرفی شده ماشین بردار پشتیبان، جنگل تصادفی و درخت تصمیم به ترتیب به نسبت بقیه دارای پیش بینی و طبقه بندی دارد.

a survey of the concepts of early breast cancer prediction techniques and evaluation of these techniques based on appropriate criteria

the incidence of breast cancer has been increasing steadily over the years due to changes in lifestyle and environment. currently, breast cancer is one of the leading causes of cancer mortality among women, making it a critical concern for global public health. therefore, the development of an automated breast cancer detection system is of great importance in the medical community. this article discusses the general concepts of breast cancer, data mining, and machine learning, and also introduces useful machine learning techniques that can be useful for breast cancer classification and prediction. in the main part of the article, the evaluation and comparison of these techniques were reviewed and performed based on appropriate criteria of accuracy, precision, recall, specificity, and f1 score. the results of the evaluation of these classifiers from appropriate researches whose experiments were conducted on standard datasets showed that among the introduced techniques, support vector machine, random forest, and decision tree have better prediction and classification than the others, respectively.