تشخیص سرطان پستان با استفاده از کاهش دو مرحله ای ویژگی های استخراج شده آسپیراسیون سوزنی و الگوریتم های داده کاوی

تشخیص زودهنگام سرطان پستان نقش بسیار کلیدی در درمان و حیات بیمار ایفا می کند. امروزه با استفاده از خصوصیات استخراج شده از آزمایش آسپیراسیون سوزنی و الگوریتم های داده کاوی می توان روش های نوین و هوشمندی در نظام سلامت و درمان ارایه داد که با دقت بالایی قادر به تشخیص سرطان پستان باشند، هدف از انجام این مطالعه تشخیص سرطان پستان با استفاده از کاهش دو مرحله ای ویژگی های استخراج شده آسپیراسیون سوزنی و الگوریتم های داده کاوی است.
در این مطالعه از داده های پایگاه داده WDBC موجود در UCI استفاده شد. این پایگاه شامل 569 نمونه خوش خیم و بدخیم توده پستان با 31 ویژگی است که ویژگی اول شماره شناسه پرونده بیمار و بقیه ی ویژگی ها نتایج کمی آزمایش آسپیراسیون سوزنی برای هر نمونه است. در این تحقیق، برای افزایش کارایی سیستم های تشخیص سرطان پستان روش کاهش ویژگی دو مرحله ای پیشنهاد شد و عملکرد روش های درخت تصمیم J48، بیزین ساده، طبقه بندی کننده درجه دوم، ماشین بردار پشتیبان و روش k نزدیکترین همسایه بر روی ویژگی های کاهش یافته مورد بررسی قرار گرفت.
بررسی های صورت گرفته نشان دادند که کاهش ویژگی دو مرحله ای موجب افزایش دقت الگوریتم های داده کاوی در تشخیص سرطان پستان می شود. دقت مدل ایجاد شده با استفاده از کاهش ویژگی دو مرحله ای مبتنی بر ضریب همبستگی و الگوریتمPCA در روش نزدیکترین همسایه براساس فاصله اقلیدسی97/54% می باشد که نسبت به سایر روش ها دارای بالاترین دقت است.
نتایج این مطالعه نشان داد که با استفاده از الگوریتم های داده کاوی و کاهش ویژگی دو مرحله ای مبتنی بر انتخاب ویژگی و استخراج ویژگی می توان با دقت بالایی سرطان پستان را تشخیص داد. در واقع با استفاده از این روش ها می توان سیستم های نوینی برای کمک به پزشکان طراحی نمود که موجب تسهیل در فرآیندهای تشخیصی و درمانی شوند.