دوره 2، شماره ۵، ۱۴۰۱، صفحات 40 - 62

نویسندگان : مریم سلطان محمدی* ¹ ، مهدی خزاعی پور ²

چکیده :
سرطان سینه یکی از بیماری¬های کشنده در بین زنان است و سالانه میلیون¬ها نفر در سراسر جهان بر اثر این بیماری جان خود را از دست می¬دهند. سرطان سینه اگر در مراحل اولیه تشخیص داده شود، شانس زنده بودن بیماران را افزایش خواهد داد. یکی از روش¬های تشخیص بیماری سرطان سینه، استفاده از روش¬های کشف دانش مانند یادگیری ماشین است. روش¬های یادگیری ماشین می¬توانند با تجزیه و تحلیل اطلاعات بیماران و پرونده آنها، الگوی بیماری سرطان سینه را کشف نمایند. مزیت مهم استفاده از روش¬های یادگیری ماشین برای تشخیص سرطان سینه، کاهش هزینه¬های تشخیص و کمک به تشخیص دقیق¬تر توسط پزشکان متخصص است. یکی از روش¬های تشخیص بیماری سرطان سینه استفاده از ماشین بردار پشتیبان است. ماشین بردار پشتیبان یک روش برای طبقه¬بندی نمونه¬ها با هدف کاهش ریسک عملیاتی در طبقه¬بندی است. یکی از چالش¬های مهم ماشین بردار پشتیبان، خطای خروجی مدل به دلیل عدم انتخاب بهینه پارامترهای یادگیری است. در روش پیشنهادی برای کاهش دادن خطای طبقه¬بندی افراد بدخیم و خوش خیم، از الگوریتم بهینه¬سازی شاهین استفاده شده است. نقش الگوریتم شاهین در روش پیشنهادی بهینه¬سازی پارامترهای ماشین بردار پشتیبان برای کاهش دادن خطای تشخیص بیماران بدخیم است. ارزیابی¬ها در محیط برنامه¬نویسی متلب و روی مجموعه داده ویسکانسین انجام شده است. ارزیابی¬ها نشان می¬دهد روش پیشنهادی در تشخیص سرطان سینه دارای دقتی برابر 99.31% است و از روشهای نظیر الگوریتم بهینه-سازی وال در تشخیص سرطان سینه دقیق¬تر است.

کلمات کلیدی :
سرطان سینه، یادگیری ماشین، ماشین بردار پشتیبان، الگوریتم بهینه¬سازی شاهین هریس، بهینه¬سازی،پیش بینی