پیش بینی سرطان سینه با استفاده از روش خوشه‌بندی انتشار وابستگی با در نظر گرفتن وزن متغیرها

با استفاده از ابزارهای داده کاوی در حوزه تشخیص پزشکی محدودیت هایی همچون هزینه های بالای برخی از آزمایشات یا زمان بر بودن آن ها مرتفع می گردد. به علاوه، وجود خطا در برخی از آزمایشات موجب شده تا روش های دسته بندی مورد استقبال پژوهشگران قرار گیرد. در همین راستا پژوهش جاری با تکیه بر ترکیب روش های خوشه بندی و دسته بندی روش جدیدی را برای تشخیص بدخیمی سرطان سینه ارائه نموده است که در آن عمل ترکیب با استفاده از یک الگوریتم ابتکاری تکرار شونده و الگوریتم خوشه بندی انتشار وابستگی انجام می شود. این روش با استفاده از یک الگوریتم ابتکاری وزن هایی را برای متغیرها تولید نموده و براساس الگوریتم انتشار وابستگی، خوشه های موزون تشکیل می دهد. سپس شماره خوشه ها به عنوان یک متغیر جدید به داده ها افزوده شده و در مرحله ی بعد، الگوریتم دسته بند بر روی مجموعه داده ی اصلاح شده حاوی داده های اصلی و شماره ی خوشه ها اجرا می گردد. با توجه به شاخص دقت، تولید اوزان تا رسیدن به بیشترین دقت ممکن ادامه می یابد. بر طبق آزمایشات عددی انجام شده در این پژوهش، ترکیب الگوریتم خوشه بندی انتشار وابستگی با میانگین دقت 98.36 دارای بیشترین دقت بوده است. به علاوه، آزمون فرض ویلکاکسون برتری شبکه ی عصبی ترکیبی را نسبت به سایر روش ها مورد تایید قرار داده است.