مقدمه: سرطان پستان شایعترین سرطان در میان زنان است و وجود یک سیستم دقیق و مطمئن برای تشخیص به موقع و خوشخیم بودن یا بدخیم بودن توده سرطان ضروری به نظر میرسد. با استفاده از نتایج سیتولوژی آسپیراسیون سوزنی و تکنیکهای دادهکاوی و یادگیری ماشین میتوان روشهای نوینی را برای شناسایی و تشخیص زود هنگام سرطان پستان ارائه کرد که با دقت بالایی قادر به تشخیص سرطان پستان باشند. روش کار: در این مطالعه از دادههای پایگاه داده WBCD شامل 699 نمونه خوشخیم و بدخیم پستان با 9 ویژگی وWDCB شامل 569 نمونه خوشخیم و بدخیم با 30 ویژگی استفاده شد و سپس به ارائه مدلی برای طبقهبندی مجموعه داههای WBCD و WDBC با استفاده از روشهای تخمین چگالی مبتنی بر هسته پرداخته شد. نتایج: نتایج بررسی روشهای غیر پارامتری بر پایگاه داده WDBC نشان داد که روش برآورد چگالی هستهای گوسین مبتنی بر فاصله اقلیدسی با دقت 93/97٪ بالاترین دقت را در میان سایر روشها دارد و روشهای برآورد چگالی هستهای گوسین مبتنی بر فاصله اقلیدسی و k نزدیکترین همسایه با دقت 17/98٪ بالاترین دقت را در میان سایر روشها برای تشخیص سرطان پستان بر روی پایگاه داده WBCD دارند. نتیجه گیری: نتایج این مطالعه نشان داد که روشهای ناپارامتری چگالی احتمال مبتنی بر روشهای هستهای میتواند با دقت بالایی برای تشخیص سرطان پستان به کار رود.
بازنشر اطلاعات | |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |