بهبود الگوريتم زنبور عسل ژنتیکی (GBC) برای انتخاب و تنظیم وزن ویژگی¬ها و تاثیر آن در افزایش دقت پیش¬بینی سرطان پستان

نوشیار, دکتر مهدی and مومنی, مهندس محمد (2018) بهبود الگوريتم زنبور عسل ژنتیکی (GBC) برای انتخاب و تنظیم وزن ویژگی¬ها و تاثیر آن در افزایش دقت پیش¬بینی سرطان پستان. University of Mohaghegh Ardabili, University of Mohaghegh Ardabili.

[img] Text
971030گزارش طرح-1.pdf

Download (1MB)
Official URL: http://uma.ac.ir/

Abstract

The identification of factors influencing the incidence of breast cancer bears great importance. The wide range of symptoms of the disease makes the diagnosis difficult for doctors. Preventing breast cancer could be achieved via a knowledge of the factors affecting the incidence of the disease. The purpose of this paper was to identify variables related to dietary habits, cultural factors, and laboratory results that could contribute to the effective prediction of breast cancer. For this purpose, an optimal model based on genetic bee colony (GBC) algorithm was developed to increase machine learning accuracy. In this study, patient information was collected from the database of Mortaaz subspecialty hospital in Yazd. Medical records of 711 breast cancer patients were screened for 63 variables. Patients had been followed up for at least two years. Variables most affecting the incidence of breast cancer were identified using the GBC algorithm and backup vector machine. Among diet- and culture-related factors, smoking and hookah use, physical inactivity, nighttime employment, and being single and cultural factors related to breast cancer were selected. Also, based on the proposed model, factors such as comparing the results of previous and current mammograms, the duration of taking contraceptive pills, hysterectomy, hormone replacement therapy, nipple retraction and pain, type of discharge, and detecting a mass in mammograms were effective in detecting the disease. No significant relationship was found between breast cancer and factors such as using the microwave in the kitchen, or the type of rice or oil consumed. Using dietary habits and cultural factors in the prediction of breast cancer, the proposed model has the least error rate and the most accuracy compared with other models such as fuzzy and neural networks.

Item Type: Other
Persian Title: بهبود الگوريتم زنبور عسل ژنتیکی (GBC) برای انتخاب و تنظیم وزن ویژگی¬ها و تاثیر آن در افزایش دقت پیش¬بینی سرطان پستان
Persian Abstract: کشف ویژگی‌های موثر در بروز سرطان پستان دارای اهمیت است. وجود علایم مختلف این بیماری، تشخیص را برای پزشکان دشوار می¬کند. پیشگیری از ابتلا به سرطان پستان با آگاهی از عوامل تاثیرگذار در بروز بیماری، میسر می‌گردد. هدف این مقاله، انتخاب ویژگی‌های موثر در پیش‌بینی سرطان پستان از بین عادات غذایی، عوامل فرهنگی و نتایج آزمایشگاهی است. برای این کار یک مدل بهینه مبتنی الگوريتم زنبور عسل ژنتیکی برای افزایش دقت یادگیری ماشین معرفی می‌شود. در این مطالعه، اطلاعات بیماران از پایگاه داده بیمارستان فوق تخصصی مرتاض یزد جمع¬آوری شده ¬است. پرونده پزشکی 711 بیمار مبتلا به سرطان پستان با تعداد 63 ویژگی مورد بررسی قرار گرفته است. هر یک از بیماران حداقل به مدت دو سال تحت پیگیري بوده¬اند. ویژگی‌های تاثیرگذار در ابتلا و تشخیص سرطان پستان از بین عادات غذایی، عوامل فرهنگی، علایم بالینی و نتایج آزمایشگاهی، با استفاده از الگوریتم GBC و ماشین بردار پشتیبان انتخاب شد. ویژگی‌های استعمال سیگار و قلیان، عدم فعالیت ورزشی، اشتغال در شیف شب و تجرد از بین عادات غذایی و عوامل فرهنگی در ارتباط با تشخیص سرطان پستان انتخاب شدند. همچنین مدل ‌پیشنهادی ویژگی‌هایی مانند: مقایسه نتیجه ماموگرافی قبلی و فعلی، مدت مصرف قرص ضدبارداری، هیستروکتومی، جايگزينى هورمون، میزان تو رفتگی نوک پستان، میزان درد، نوع ترشح و توده موجود در تصاویر ماموگرافی را موثر در تشخیص این بیماری دانست. هیچ ارتباط معناداری بین سرطان پستان و ویژگی‌هایی مانند استفاده از ماکروفر در آشپزخانه، نوع برنج و روغن مصرفی یافت نشد. نتیجه¬گیری: با استفاده از عادات غذایی و عوامل فرهنگی در پیش¬بینی سرطان پستان، مدل پیشنهادی نسبت به سایر مدل¬های مورد مقایسه مانند فازی و شبکه عصبی، دارای حداقل میزان خطا و بیش¬ترین دقت و صحت ¬است.
Subjects: Research Projects
Divisions: Subjects > Faculty of Engineering > Department of Electrical & Computer Engineering
Faculty of Engineering > Department of Electrical & Computer Engineering
Date Deposited: 30 Jun 2019 09:54
Last Modified: 30 Jun 2019 09:54
URI: http://repository.uma.ac.ir/id/eprint/8494

Actions (login required)

View Item View Item