تشخیص سرطان پستان با استفاده از برآورد ناپارمتری چگالی احتمال مبتنی بر روش های هسته ای

سرطان پستان شایع ترین سرطان در میان زنان است و وجود یک سیستم دقیق و مطمئن برای تشخیص به موقع و خوش خیم بودن یا بدخیم بودن توده سرطان ضروری به نظر می رسد. با استفاده از نتایج سیتولوژی آسپیراسیون سوزنی و تکنیک های داده کاوی و یادگیری ماشین می توان روش های نوینی را برای شناسایی و تشخیص زود هنگام سرطان پستان ارائه کرد که با دقت بالایی قادر به تشخیص سرطان پستان باشند.
در این مطالعه از داده های پایگاه داده WBCD شامل 699 نمونه خوش خیم و بدخیم پستان با 9 ویژگی وWDCB شامل 569 نمونه خوش خیم و بدخیم با 30 ویژگی استفاده شد و سپس به ارائه مدلی برای طبقه بندی مجموعه داه های WBCD و WDBC با استفاده از روش های تخمین چگالی مبتنی بر هسته پرداخته شد.
نتایج بررسی روش های غیر پارامتری بر پایگاه داده WDBC نشان داد که روش برآورد چگالی هسته ای گوسین مبتنی بر فاصله اقلیدسی با دقت 93/97٪ بالاترین دقت را در میان سایر روش ها دارد و روش های برآورد چگالی هسته ای گوسین مبتنی بر فاصله اقلیدسی و k نزدیکترین همسایه با دقت 17/98٪ بالاترین دقت را در میان سایر روش ها برای تشخیص سرطان پستان بر روی پایگاه داده WBCD دارند.
نتایج این مطالعه نشان داد که روش های ناپارامتری چگالی احتمال مبتنی بر روش های هسته ای می تواند با دقت بالایی برای تشخیص سرطان پستان به کار رود.