انتخاب ویژگی های موثر در تشخیص سرطان پستان با استفاده از مدل های پارامتریک یادگیری ماشین

آزمایش آسپیراسیون سوزنی روشی کم هزینه، آسان و سریع برای تشخیص دقیق و زود هنگام سرطان پستان است. با استفاده از خصوصیات استخراج شده از آزمایش آسپیراسیون سوزنی و با کمک تکنیک های یادگیری ماشین می توان سیستمی کارآمد را برای تشخیص سرطان پستان طراحی نمود که با دقت بالایی خوش خیم یا بدخیم بودن تومورهای پستان را تشخیص دهند. هدف از انجام این مطالعه، انتخاب ویژگی های موثر در تشخیص سرطان پستان با استفاده از مدل های پارامتریک یادگیری ماشین است.
در این مطالعه از داده های پایگاه داده WBCD موجود در UCI که شامل 683 نمونه خوش خیم و بدخیم تومور پستان که هر نمونه دارای 9 ویژگی است استفاده شد. سپس انتخاب ویژگی با روش پیش رو و دسته بندی نوع تومور با انواع روش های پارامتریک مانند دسته بندی درجه دو، دسته بندی خطی و دسته بندی نزدیک ترین میانگین انجام گرفت.
روش پارامتریک دسته بندی درجه دو با استفاده از انتخاب ویژگی پیش رو، بالاترین کارایی را در تشخیص سرطان پستان دارد. این روش با انتخاب چهار ویژگیUniformity of cell size، Bare nuclei، Bland chromatin، Mitoses دارای دقت 90/98% و حساسیت 89/97% است. همچنین در همه روش ها ویژگی های Uniformity of cell size و Bare nuclei بالاترین کارایی را دارند.
نتایج این مطالعه نشان داد که با روش انتخاب ویژگی پیش رو و تکنیک های پارامتریک یادگیری ماشین، علاوه بر دست یابی به عملکرد بالا در تشخیص سرطان پستان، عوامل و ویژگی های اصلی در تشخیص سرطان پستان نیز شناسایی می شوند. به نظر می رسد این ویژگی ها یکی از مهم ترین عوامل برای کمک به تشخیص سرطان پستان هستند.