یک روش طبقه‌بندی ترکیبی برای تشخیص سرطان پستان با استفاده از الگوریتم ژنتیک و تنظیم چند مرحله‌ای وزن‌ها در شبکه عصبی mlp

امروزه با گسترش روز افزون علم، استفاده از سیستم های پشتیبان تصمیم می تواند کمک زیادی در سیاست های درمانی پزشک داشته باشد. بدین منظور استفاده از سیستم های هوشمند مصنوعی در پیش بینی و تشخیص سرطان پستان که یکی از رایج ترین سرطان ها در بین زنان می باشد، مورد توجه است. در این مقاله فرآیند تشخیص بیماری سرطان پستان با استفاده از تنظیم چند مرحله ای وزن ها در شبکه عصبی mlp در دو لایه انجام می شود. در لایه اول، سه طبقه بند وجود دارد که به طور همزمان روی داده های مجموعه یادگیری آموزش می بینند. پس از اتمام آموزش خروجی طبقه بندهای لایه اول جمع آوری شده و به همراه داده های مجموعه یادگیری در مجموعه ای جدید قرار می گیرند. این مجموعه به عنوان ورودی به فراطبقه بند لایه دوم داده می شود و فراطبقه بند نگاشت میان خروجی های هر یک از طبقه بندهای معمولی لایه اول را با کلاس های خروجی واقعی مدل می کند. ساختار سه طبقه بند لایه اول و همچنین فراطبقه بند لایه دوم یک شبکه عصبی mlp است که وزن ها، ویژگی های موثر و اندازه لایه مخفی در آن به طور همزمان با استفاده از یک الگوریتم ژنتیک ابتکاری بهینه سازی می شود. به منظور ارزیابی دقت مدل پیشنهادی از پایگاه داده ویسکانسین استفاده می شود که با تست fna ایجاد شده است. نتایج آزمایش ها روی مجموعه داده wbcd دقت 98.72% را برای روش پیشنهادی نشان می دهد که نسبت به الگوریتم های gaann، cafs عملکرد بهتری ارائه داده است.

an ensemble classifier method for breast cancer detection using genetic algorithm and multistage adjustment of weights in the mlp neural network

today, with the increasing spread of science, the use of decision support systems can be of great help in the therapeutic policies of the doctor. for this purpose, the use of artificial intelligence systems in predicting and diagnosing breast cancer, which is one of the most common cancers among women, is being considered. in this study, the process of diagnosis of breast cancer is done by using multistage weights in the mlp neural network in two layers. in the first layer, the three classifiers are trained simultaneously on the learning set data. upon completion of the training, the output of the classifier of the first layer is accumulated together with the learning set data in the new sets. this set is given as an input to the second layer superconductor, and the supra-class mapping maps between the outputs of each of the ordinary classifiers of the first layer with the actual output classes. the three-layer structure of the first layer, as well as the second-layer supraclavicle, is a mlp neural network that optimizes the weights, effective properties and the size of the hidden layer simultaneously using an innovative genetic algorithm. in order to evaluate the accuracy of the proposed model, the wisconsin database is used, which was created by the fna test. experiment results on the wbcd dataset the accuracy is 98.72% for the proposed method, which is relative to gaann, cafs algorithms provide better performance.