fa تشخیص سرطان پستان با استفاده از برآورد ناپارمتری چگالی احتمال مبتنی بر روش‌‌های هسته‌ای پزشکی Medical پژوهشي Research <p>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.</p> <p>Introduction: Breast cancer is the most common cancer in women. An accurate and reliable system for early diagnosis of benign or malignant tumors seems necessary. We can design new methods using the results of FNA and data mining and machine learning techniques for early diagnosis of breast cancer which able to detection of breast cancer with high accuracy. Materials and Methods: In this study, 699 samples of benign and malignancy with 9 characteristics from WBCD and 569 samples of benign and malignancy with 30 characteristics from WDBC were used. Then, a model based on non-parametric kernel density estimation is proposed for classification of WBCD and WDBC data. Results: The results of non parametric methods showed that Gaussian kernel method based on Euclidean distance with accuracy ٪97.93 has the highest accuracy on WDBC data and Gaussian kernel based on Euclidean distance and k-nearest neighbor methods with accuracy ٪98.17 has the highest accuracy compared with other methods on WBCD data for breast cancer disease. Conclusion: The result of this study showed that non-parametric kernel density estimation based classification can be used for breast cancer diagnosis with high accuracy.</p> سرطان پستان, روش ناپارامتری, برآورد چگالی هسته‌ای, یادگیری ماشین Breast cancer, Machine learning, non-parametric kernel based density estimation 30 40 http://rjms.iums.ac.ir/browse.php?a_code=A-10-1900-2&slc_lang=fa&sid=1 Robab Sheikhpour رباب شیخ پور R.Sheikhpour@yahoo.com 3900319475328460032702 3900319475328460032702 Yes Shahid Sadoughi University of Medical Sciences, Yazd, Iran دانشگاه علوم پزشکی شهید صدوقی، یزد، ایران Razieh Sheikhpour راضیه شیخ پور R_sheikhpour@yahoo.com 3900319475328460032703 3900319475328460032703 No Yazd University, Yazd, Iran دانشگاه یزد، یزد، ایران