این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشگاه علوم پزشکی مازندران، جلد ۲۵، شماره ۱۳۰، صفحات ۱۰۰-۱۱۵
عنوان فارسی ارائه روشی مبتنی بر یک الگوریتم تکاملی برای دستیابی به مدلی کارآمد از شبکه عصبی مصنوعی جهت پیش بینی وضعیت تومورهای پستان
چکیده فارسی مقاله سابقه و هدف: اخیراً روش های هوشمند نظیر شبکه‌های عصبی مصنوعی به عنوان یک مدل کارآمد جهت پیش‌بینی و طبقه‌بندی تومورها مورد استفاده قرار گرفته‌اند. تشخیص خوش خیمی و یا بدخیمی توده‌های پستانی بر اساس خصوصیات مورفولوژیک، بالینی و دموگرافیک و بدون استفاده از روش‌های تهاجمی پاراکلینیکی بسیار با اهمیت است. هدف این پژوهش ارائه یک مدل شبکه عصبی برای پیش‌بینی وضعیت تومورهای پستان و مقایسه کارآمدی آن با مدل رایج رگرسیونی می‌باشد. مواد و روش‌ها: Wisconsin Breast Cancer Database به عنوان مجموعه داده‌ای این تحقیق، مورد استفاده قرار گرفته است. این مجموعه، از طریق نتایج سیتولوژی تومورهای ناحیه پستان 683 بیمار مختلف به دست آمده است. ویژگی‌هایی هم‌چون ضخامت توده، یکنواختی اندازه و شکل سلول و ... به عنوان متغیرهای ورودی مدل پیشنهادی به کار رفته‌اند. از الگوریتم ژنتیک (GA) برای تعیین بهترین ساختار و نیز آموزش مدل شبکه عصبی چند لایه استفاده و پیاده سازی آن در نرم‌افزار MATLAB انجام گردیده است. کارایی مدل شبکه عصبی پیشنهادی با رگرسیون لجستیک مقایسه و برازش مدل رگرسیون لجستیک در نرم‌افزار SPSS انجام شده است. برای محاسبه دقیق کارایی مدل‌ها از تکنیک 5-fold cross validation استفاده شده است. یافته‌ها: نتایج نشان داد که GA توانایی تعیین بهترین ساختار برای یک شبکه چند لایه را دارد و شبکه را نیز به نحو مطلوب آموزش می‌دهد. بر اساس نتایج حاصله، پس از اجراهای مختلف، بهترین مدل شبکه عصبی با ساختار NN(9-8-6-1) به دست آمد که دقت، حساسیت، ویژگی و سطح زیر منحنیROC آن به‌طور میانگین به‌ترتیب971/0، 988/0و962/0 و 9955/0 بود. ضمن آن که مقادیر همین پارامترها برای رگرسیون لجستیک به ترتیب 968/0، 975/0، 964/0 و 9954/0 به دست آمد. استنتاج: بدین ترتیب مدل شبکه عصبی به دست آمده می‌تواند در کنار روش های تشخیصی غیر تهاجمی معمول، به عنوان یک سیستم پشتیبان تشخیص با حساسیت و ویژگی بالا، جهت شناسایی تومورهای خوش خیم و بدخیم پستان مورد استفاده قرار گیرد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A Method Based on an Evolutionary Algorithm to Achieve an Efficient Artificial Neural Network Model for Prediction of Breast Tumors Status
چکیده انگلیسی مقاله Background and purpose: Intelligent methods such as artificial neural networks (ANN) have been recently used as an efficient model for prediction and classification of tumors. Diagnosis of benign and malignant breast tumors based on morphological, clinical and demographic features without using invasive paraclinical methods is very important. The aim of this study was to provide a neural network model to predict the status of breast tumors and compare its efficacy with the common regression model. Materials and methods: In this study, Wisconsin breast cancer database was used. It was obtained from cytology results of the breast tumors of 683 patients. In the proposed model different features such as clump thickness, uniformity of cell size, uniformity of cell shape, etc. were used as input variables. We applied the genetic algorithm (GA) for determination of the best structure and training of multi-layer NN model was implemented in MATLAB. The performance of proposed NN model was compared appling logistic regression (LR) in SPSS. 5-fold cross validation was used for accurate calculation of the performance of the models. Results: The results found GA capable of determining the best structure for a multi-layer NN and train it properly. In different performances the best NN structure was NN(9-8-6-1) with an average accuracy, sensitivity, specificity, and AUC (area under ROC curve) of 0.971, 0.988, 0.962, and 0.9955, respectively, while the values of the corresponding parameters for LR were 0.968, 0.975, 0.964 and 0.9954, respectively. Conclusion: The achieved ANN model could be used as a method with high sensitivity and specificity alongside common non-invasive diagnostic methods as a diagnosis support system to identify benign and malignant breast tumors.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهیار دارایی | mahyaar daaraaee
msc in computer engineering, department of computer engineering, ayatollah amoli branch, islamic azad university, amol, iran
آمل کیلومتر 5 جاده قدیم آمل به بابل، فرعی دانشگاه، دانشگاه آزاد اسلامی واحد آیت الله آملی
سازمان اصلی تایید شده: دانشگاه آزاد اسلامی آیت الله آملی (Islamic azad university of ayatollah amoli)

جواد وحیدی | javad vahidi
assistant professor, department of applied mathematics, faculty of mathematics, iran university of science and technology, nour, iran
. استادیار، گروه ریاضی کاربردی، دانشکده ریاضی، دانشگاه علم و صنعت ایران، نور، ایران
سازمان اصلی تایید شده: دانشگاه علم و صنعت ایران (Iran university of science and technology)

عباس علی پور | abbas alipour
assistant professor, department of community medicine, faculty of medicine, mazandaran university of medical sciences, sari, iran
استادیار، گروه پزشکی اجتماعی، دانشکده پزشکی، دانشگاه علوم پزشکی مازندران، ساری، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی مازندران (Mazandaran university of medical sciences)

نشانی اینترنتی http://jmums.mazums.ac.ir/browse.php?a_code=A-10-5029-131&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده پژوهشی-کامل
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات