دوره 15، شماره 4 - ( مهر و آبان 1400 )                   جلد 15 شماره 4 صفحات 352-340 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Dolatkhahi K, Azar A, Karimi T, Hadizadeh M. Diagnosing Breast Cancer by Machine Learning. payavard 2021; 15 (4) :340-352
URL: http://payavard.tums.ac.ir/article-1-7139-fa.html
دولت خواهی کسری، آذر عادل، کریمی تورج، هادیزاده محمد. تشخیص ابتلا به سرطان پستان با بهره‌گیری از یادگیری ماشین. پیاورد سلامت. 1400; 15 (4) :340-352

URL: http://payavard.tums.ac.ir/article-1-7139-fa.html


1- دانشجوی دکتری مدیریت صنعتی گرایش تحقیق در عملیات، دانشکده مدیریت و حسابداری، پردیس فارابی دانشگاه تهران، قم، ایران
2- استاد گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران
3- استادیار گروه مدیریت صنعتی و تکنولوژی، دانشکده مدیریت و حسابداری، پردیس فارابی دانشگاه تهران، قم، ایران ، tkarimi@ut.ac.ir
4- استادیار، مرکز تحقیقات سرطان، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی شهید‌بهشتی، تهران، ایران
چکیده:   (2052 مشاهده)
زمینه و هدف: سرطان و به‌طور جزیی سرطان پستان در زمره بیماری‌هایی به‌شمار می‌روند که در ایران پس از بیماری‌های قلبی بیش‌ترین آمار مرگ ومیر را به خود اختصاص داده است. پیش‌بینی صحیح سرطان پستان دارای اهمیت است و وجود علایم و ویژگی‌های مختلف این بیماری، تشخیص را برای پزشکان دشوار می‌کند. هدف این پژوهش، شناسایی عوامل موثر بر سرطان پستان و تشخیص احتمال ابتلا به سرطان پستان است.
روش بررسی: در مطالعه‌ی حاضر، ابتدا به روش تحلیل محتوا و مطالعات کتابخانه‌ای، عوامل تاثیرگذار در ابتلا به سرطان پستان شناسایی شده سپس با همراهی تیم خبرگان مشتمل بر پزشکان متخصص و یا دارای فوق‌تخصص سرطان‌شناسی و جراحی پستان با کمک روش دلفی، تعدیل گردیده و ۲۶ عامل نهایی که به‌صورت عددی صحیح و رشته‌ای بودند براساس شرایط بومی و اقلیمی تایید شدند. در ادامه و با توجه به عوامل نهایی و براساس پرونده پزشکی ۵۲۰۸ بیمار در مرکز تحقیقات سرطان دانشگاه علوم پزشکی و خدمات بهداشتی درمانی شهید‌بهشتی به منظور تشخیص ابتلا به سرطان از روش‌های درخت تصمیم (Decision Tree)، جنگل تصادفی (Random Forest) و ماشین‌بردار پشتیبان (Support Vector Machine) به‌عنوان روش‌های یادگیری ماشین بهره گرفته شد.
یافته‌ها: در گام نخست و با روش تحلیل محتوا، ۲۹ عامل تاثیرگذار در ابتلا به سرطان پستان شناسایی شد. در ادامه و با در نظر گرفتن شرایط بومی و اقلیمی و با استفاده از روش دلفی و با بهره‌گیری از نظرات ۱۸ خبره در طی سه دوره، ۲۶ عامل تعدیل و نهایی شد. در گام نهایی و با استفاده از پرونده پزشکی مراجعه‌کنندگان که در طی ۳ سال گردآوری شده و معیارهای استخراج‌شده از سه روش ذکر شده، جنگل تصادفی، بیشترین دقت به میزان ۹۴/۷۵% و صحت ۹۷/۲۶% را در تشخیص ابتلا به سرطان پستان به خود اختصاص داد، که این میزان در قیاس با سایر پژوهش‌های مشابه که از پایگاه‌‌های داده بومی بهره گرفته‌اند، دقت‌های به‌دست آمده بسیار نزدیک به کارهای پیشین بوده و در بعضی موارد نیز دقت بهتری داشته است.
نتیجه‌گیری: با استفاده از روش جنگل تصادفی و با بهره‌گیری از عوامل تاثیرگذار بر سرطان پستان، قابلیت تشخیص ابتلا به سرطان با بیشترین دقت فراهم شده است.
متن کامل [PDF 609 kb]   (870 دریافت)    
نوع مطالعه: پژوهشی اصيل | موضوع مقاله: فناوری اطلاعات سلامت
انتشار الکترونیک: 1400/11/9

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به پیاورد سلامت می باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2024 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb