مقایسه‌ی عملکرد الگوریتم‌های نزدیکترین همسایه و ماشین بردار پشتیبان برای پیش‌بینی سرطان سینه در زنان فعال

مقدمه: سرطان سینه، جزء سرطان‌های شایع زنان است که تشخیص بموقع آن در ادامه حیات و درمان نقش مهمی دارد. یادگیری ماشینی پتانسیل پیش‌بینی سرطان سینه را بر اساس ویژگی‌های پنهان در داده‌ها دارد. هدف اصلی این مطالعه، پیش‌بینی سرطان سینه با استفاده از الگوریتم‌های نزدیک‌ترین همسایه و ماشین بردار پشتیبان در زنان فعال بود.روش‌ها: در این مطالعه‌ی توسعه‌ای- کاربردی جمع‌آوری داده‌ها مربوط به تعداد 641 پرونده متعلق به بیماران مبتلا به سرطان سینه از بیمارستان‌های امام خمینی و پژوهشکده سرطان معتمد، طی سال‌های 1403-1393 در محدوده‌ی سنی 25 تا 75 سال بود، پس از پیش پردازش اولیه در مجموعه داده‌ها، الگوریتم‌های نزدیک‌ترین همسایه و ماشین بردار پشتیبان به کار گرفته شدند.یافته‌ها: نتایج نشان داد که الگوریتم ماشین بردار پشتیبان با دقت 87/2 درصد و صحت 86/35، حساسیت 86/88 درصد، تشخیص‌پذیری 85/68، عملکرد بهتری نسبت به الگوریتم نزدیک‌ترین همسایه برای پیش‌بینی سرطان سینه در زنان فعال داشت.نتیجه‌گیری: با استفاده از الگوریتم‌های داده‌کاوی می‌توان سیستم‌های نوینی برای کمک به پزشکان طراحی نمود که موجب تسهیل در فرایندهای تشخیصی و درمانی شود. ترکیب عوامل خطر متعدد در مدل‌سازی برای پیش‌بینی سرطان سینه می‌تواند به تشخیص زودهنگام بیماری کمک کند.

comparison of the performance of nearest neighbor and support vector machine algorithms for breast cancer prediction in active women

background: breast cancer is one of the most common cancers in women, and its timely diagnosis plays an important role in survival and treatment. machine learning has the potential to predict breast cancer based on hidden features in the data. the main objective of this study was to predict breast cancer in active women using nearest neighbor and support vector machine algorithms.methods: in this developmental-applied study, data were collected from the medical records of 641 breast cancer patients at imam khomeini hospital and the motamed cancer research institute between 2014 and 2024, within the age range of 25 to 75 years. after initial preprocessing of the dataset, the nearest neighbor and support vector machine algorithms were applied.findings: the results showed that the support vector machine algorithm performed better than the nearest neighbor algorithm for predicting breast cancer in active women, with an accuracy of 87.2%, a precision of 86.35%, a sensitivity of 88.86%, and a specificity of 68.85%.conclusion: data mining algorithms can be used to design novel systems that assist physicians in facilitating diagnostic and therapeutic processes. combining multiple risk factors in modeling for breast cancer prediction can help in the early diagnosis of the disease.