مقایسه کارایی مدل های پیش بینی عود مجدد سرطان پستان مبتنی بر تکنیک های داده کاوی

پس از به کارگیری روش های درمان سرطان پستان، احتمال عود مجدد بیماری وجود دارد. هدف از انجام پژوهش حاضر، به کارگیری تکنیک های داده کاوی به منظور ارایه مدل های پیش بینی عود مجدد سرطان پستان بود.
در این مطالعه توصیفی، از 18 ویژگی مربوط به 809 بیمار مبتلا به سرطان پستان استفاده شد. برای ایجاد مدل پیش بینی عود مجدد سرطان پستان در مرحله پیش پردازش مجموعه داده، از الگوریتم های بیشینه سازی امید ریاضی EM (Expectation Maximization) و درخت تصمیم دسته بندی و رگرسیون C and R (Classification and Regression) استفاده گردید. سپس در مرحله یادگیری مدل، پنج الگوریتم داده کاوی شامل شبکه های عصبی، درخت تصمیم C and R، درخت تصمیم 5C، شبکه Bayes و ماشین بردار پشتیبان SVM (Support Vector Machine) به کار گرفته شد. در نهایت، جهت ارزیابی کارایی تکنیک های مورد استفاده، الگوریتم درخت تصمیم 48J با K-Fold برابر 10 و روش های آنالیز داده ها مورد استفاده قرار گرفت.
دقت الگوریتم های EM و C and R در مرحله پیش پردازش داده ها به ترتیب 641/0 و 420/0 بود. دقت پنج الگوریتم به کار رفته در مرحله یادگیری مدل نیز به ترتیب 858/0، 865/0، 870/0، 883/0 و 998/0 به دست آمد.
مدلی که در مرحله پیش پردازش از الگوریتم EM و در مرحله یادگیری از الگوریتم SVM بهره می گیرد، کارایی بالاتری نسبت به سایر مدل های ایجاد شده دارد.