بهبود تشخیص بیماری سرطان پستان با استفاده از سیستم استنتاج عصبی- فازی تطبیقی

ماروسی, علی; ذباح, ایمان; مقربی, مائده; یثربی, سید احسان

doi:10.48301/kssa.2022.277156.1426

بهبود تشخیص بیماری سرطان پستان با استفاده از سیستم استنتاج عصبی- فازی تطبیقی

نوع مقاله : مقاله پژوهشی (کاربردی)

نویسندگان

¹ استادیار، گروه برق و کامپیوتر، دانشگاه تربت‌حیدریه، تربت‌حیدریه، ایران.

² مربی گروه کامپیوتر، دانشگاه ازاد اسلامی تربت حیدریه،تربت حیدریه،ایران

³ کارشناسی، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه تربت‌حیدریه، تربت‌حیدریه، ایران.

⁴ دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه تربت‌حیدریه، تربت‌حیدریه، ایران.

10.48301/kssa.2022.277156.1426

چکیده

امروزه سرطان یکی از مهمترین عوامل مرگ‌ومیر در دنیا است و سرطان پستان از شایع‌ترین آنها در میان زنان میباشد. تشخیص زودهنگام این بیماری، یکی از معضلات مهم پزشکان می‌باشد و نقش بسیار کلیدی در درمان موفق و حیات بیمار ایفا میکند. در این پژوهش مدلهای مبتنی بر داده‌کاوی، ارائه شده و پایگاه داده آن مشتمل بر 683 رکورد با 9 متغیر بالینی است که از بیماران مبتلا به سرطان پستان بیمارستان ویسکانسین جمع‌آوری‌ شده است و در مرجع داده UCI قابل دسترس است. تشخیص سرطان پستان در دو خوشه خوش‌خیم و بدخیم صورت گرفته است. در بهترین حالت خوشخیم یا بدخیم بودن سرطان با روش‌های نظارت‌شده شبکههای عصبی پرسپترون چندلایه (MLP)، شبکه عصبی بردار یادگیر (LVQ)، شبکه عصبی پایه شعاعی (RBF)، خوشه‌بندی بدون نظارت (KFC) و همچنین عصبی- فازی (ANFIS) به‌ترتیب دقت‌های 5/97 درصد، 6/97 درصد، 3/98 درصد ،75 درصد، 2/99 درصد به‌دست آمد. تشخیص به‌موقع سرطان پستان، ضمن کاهش هزینه‌های درمانی بیمار، شانس درمان موفقیت‌آمیز را افزایش میدهد. در این مطالعه ضمن تشخیص بیماری سرطان پستان، نشان داده ‌شده است که مدل‌های مبتنی بر استنتاج عصبی- فازی، عملکرد قابل‌قبول‌تری نسبت به سایر روش‌های موردمطالعه، در تشخیص بیماری سرطان پستان دارد. مدل ارائه شده می‌تواند به‌عنوان دستیار پزشک در خدمت جامعه پزشکی قرار گیرند.

کلیدواژه‌ها

20.1001.1.23829796.1401.19.3.17.7

موضوعات

مهندسی پزشکی

عنوان مقاله [English]

Improving Diagnosis of Breast Cancer Disease Using Adaptive Neuro-Fuzzy Inference System

نویسندگان [English]

Ali Maroosi ¹
Iman Zabbah ²
Maedeh Mogharebi ³
Seyed ehsan Yasrebi ⁴

¹ Assistant Professor, Department of Computer Engineering, Faculty of Technical and Engineering, University of Torbat Heydarieh, Torbat Heydarieh, Iran.

² Faculty member, Department of Computer Engineering, Torbat Heydariyeh Branch, Islamic Azad University, Torbat Heydariyeh, Iran.

³ M.Sc, Department of Computer Engineering, Faculty of Technical and Engineering, University of Torbat Heydarieh, Torbat Heydarieh, Iran.

⁴ PhD Student, Department of Computer Engineering, Faculty of Technical and Engineering, University of Torbat Heydarieh, Torbat Heydarieh, Iran.

چکیده [English]

Cancer and particularly breast cancer is one of the most common diseases among women worldwide. Early detection of breast cancer is a major challenge for physicians and is key in successful treatment and patient survival. This study introduces some data mining methods for the prediction of breast cancer based on a dataset containing 683 independent records with 9 features from the UCI machine learning repository. The models were used to diagnose benign and malignant breast cancer. Results showed that the accuracy of Multi-Layer Perceptron Neural Network (MLP), Learning Vector Quantization (LVQ) Neural Network, Radial Basis Function (RBF), Fuzzy Clustering (KFC), Adaptive Neuro-Fuzzy Inference System Model (ANFIS) were 97.5%, 97.5%, 98.3%, 75% and 99.2%, respectively. Early diagnosis of breast cancer disease reduces the cost of treatment and increases the chance of successful treatment. This study demonstrated that neuro-fuzzy inference system performed better than other models for breast cancer diagnosis. In this study, while diagnosing breast cancer, it was illustrated that models based on fuzzy neural inference had a more acceptable performance than other methods in diagnosing breast cancer. The proposed model can assist the medical community, particularly mammography specialists.

کلیدواژه‌ها [English]

Breast cancer Data mining Fuzzy clustering Neural Network Neuro
fuzzy

مراجع

[1] Dumitrescu, R. G. (2018). Early epigenetic markers for precision medicine. In Cancer Epigenetics for Precision Medicine. Humana Press. https://doi.org/10.1007/978-1-4939-8751-1_1

[2] Chean, J., Chen, C.-j., & Shively, J. E. (2017). ETS transcription factor ELF5 induces lumen formation in a 3D model of mammary morphogenesis and its expression is inhibited by Jak2 inhibitor TG101348. Experimental Cell Research, 359(1), 62-75. https://doi.org/10.1016/j.yexcr.2017.08.008

[3] Harrington, S., Michener, L. A., Kendig, T., Miale, S., & George, S. Z. (2014). Patient-Reported Upper Extremity Outcome Measures Used in Breast Cancer Survivors: A Systematic Review. Archives of Physical Medicine and Rehabilitation, 95(1), 153-162. https://doi.org/10.1016/j.apmr.2013.07.022

[4] Sharifian, A., Pourhoseingholi, M. A., Emadedin, M., Rostami-Nejad, M., Ashtari, S., Hajizadeh, N., Firouzei, S., & Hosseini, J. (2015). Burden of Breast Cancer in Iranian Women is Increasing. Asian Pacific journal of cancer prevention : APJCP, 16, 5049-5052. https://doi.org/10.7314/APJCP.2015.16.12.5049

[5] Omata, F., McNamara, K. M., Suzuki, K., Abe, E., Hirakawa, H., Ishida, T., Ohuchi, N., & Sasano, H. (2018). Effect of the normal mammary differentiation regulator ELF5 upon clinical outcomes of triple negative breast cancers patients. Breast Cancer, 25(4), 489-496. https://doi.org/10.1007/s12282-018-0842-z

[6] Wang, X., Hu, H., & Liu, H. (2018). RNA binding protein Lin28B confers gastric cancer cells stemness via directly binding to NRP-1. Biomedicine & Pharmacotherapy, 104, 383-389. https://doi.org/10.1016/j.biopha.2018.05.064

[7] Amadou, A., Ferrari, P., Muwonge, R., Moskal, A., Biessy, C., Romieu, I., & Hainaut, P. (2013). Overweight, obesity and risk of premenopausal breast cancer according to ethnicity: a systematic review and dose-response meta-analysis. Obesity Reviews, 14(8), 665-678. https://doi.org/10.1111/obr.12028

[8] Suto, J., Oniga, S., & Sitar, P. P. (2016, May 10-14). Comparison of wrapper and filter feature selection algorithms on human activity recognition. 2016 6th International Conference on Computers Communications and Control, Oradea, Romania.

[9] Bakker, D. P., Busscher, H. J., van Zanten, J., de Vries, J., Klijnstra, J. W., & van der Mei, H. C. (2004). Multiple linear regression analysis of bacterial deposition to polyurethane coatings after conditioning film formation in the marine environment. Microbiology, 150(6), 1779-1784. https://doi.org/10.1099/mic.0.26983-0

[10] Roozbahani, Z., Rezaei Noor, J., Yari Eili, M., & Katanforoush, A. (2017). An Analysis of Gene Expression Variations in Lymphoma, Using a Fuzzy Classification Model. Health Management & Information Science, 4(1), 1-6. https://jhmi.sums.ac.ir/ article_42680_28407bbf900e1255a0e99bee8203638a.pdf

[11] Rezaeenoor, J., Saadi, G., & Jahani, M. (2019). Prediction of Cardiovascular Diseases Usingan Optimized Artificial Neural Network. journal of ilam university of medical sciences, 27(5), 15-23. https://doi.org/10.29252/sjimu.27.5.15

[12] Yi, W., & Fuyong, W. (2006, August 7-11). Breast Cancer Diagnosis via Supp ort Vector Machines. 2006 Chinese Control Conference, Harbin, China

[13] Kiani, B., & Atashi, A. (2014). A prognostic model based on data mining techniques to predict breast cancer recurrence. Journal of Health and Biomedical Informatics, 1(1), 26-31. http://eprints.kmu.ac.ir/id/eprint/24250

[14] Zabbah, I., Hassaanzadeh, M., & kohjani, z. (2017). The Effect of Continuous Parameters on the Diagnosis of Coronary Artery Disease Using Artificial Neural Networks. Journal of Torbat Heydariyeh University of Medical Sciences, 4(4), 29-39. http://jms.thums.ac.ir/article-1-369-en.html

[15] Repository, U. M. L. (2017, May 4). Breast Cancer Wisconsin (Diagnostic) Data Set. UCI Machine Learning Repository. https://archive.ics.uci.edu/ml/datasets/breast+ cancer+wisconsin+(diagnostic)

[16] Fallahi, A., & Jafari, S. (2011). An expert system for detection of breast cancer using data preprocessing and bayesian network. International Journal of Advanced Science and Technology, 34, 65-70.

[17] Zabbah, I., Yasrebi Naeini, S. E., Ramazanpoor, Z., & Sahragard, K. (2017). The Diagnosis of Thyroid Diseases Using Combinati on of Neural Networks through Hierarchical Method. Journal of Health and Biomedical Informatics, 4(1), 21-31. http://jhbmi.ir/article-1-187-en.html

[18] Badzaban, F., Rezaei-Moghaddam, K., & Fatemi, M. (2020). Entrepreneurship Education and its Effects on the Function of Rural Women's Businesses. Karafan Quarterly Scientific Journal, 17(3), 79-94. https://doi.org/10.48301/kssa.2020.124671