fa روش جدید بر پایه تحلیل مؤلفه اساسی و پرسپترون چندلایه با بهینه‌سازی الگوریتم ژنتیک برای تشخیص بیماری سرطان ریه آموزش پزشکی medical education پژوهشي Research <strong><span style="color:#0070c0;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">زمینه و هدف: </span></span></span></strong><span style="color:black;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">سرطان ریه جزء اولین سرطان‌های شناخته شده محسوب می‌گردد. تشخیص زودهنگام این سرطان سبب کاهش طول درمان و صرف هزینه‌های سرسام آور درمانی و عامل اصلی در بقاء و زنده ماندن افراد است. در سال‌های اخیر بهره‌مندی از روش‌های کامپیوتری در استفاده از داده‌کاوی و الگوریتم‌های هوشمند، سبب تسریع در تشخیص زودهنگام این سرطان شده است. هدف این مقاله ارزیابی نقش روش جدید بر پایه تحلیل مؤلفه اساسی و پرسپترون چندلایه با بهینه‌سازی الگوریتم ژنتیک برای تشخیص بیماری سرطان ریه مد نظر است.</span></span></span><br> <strong><span style="color:#0070c0;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">روش کار:</span></span></span></strong><span style="color:black;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"> در این مطالعه، داده‌های مورد استفاده </span></span></span><span style="color:black;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">از پایگاه داده یادگیری ماشین</span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;"> UCI </span></span></span></span><span style="color:black;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">شامل 32 پرونده بیمار با 57 ویژگی استخراج شد. پس از انجام مراحل پیش‌پردازش، </span></span></span><span style="color:black;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">در مرحله استخراج ویژگی و کاهش ابعاد داده، داده‌های اصلی سرطان ریه با استفاده از تحلیل مؤلفه اساسی به 17 ویژگی کاهش یافت. سپس در مرحله طبقه‌بندی این ویژگی‌های کاهش داده شده به پرسپترون چندلایه با بهینه‌سازی الگوریتم ژنتیک داده شد و حساسیت و ویژگی مدل با توجه به معیارهای دقت، حساسیت و صحت بررسی گردید. کلیه تحلیل‌ها با استفاده از نرم‌افزار </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">MATLAB</span></span></span></span><span style="color:black;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"> و </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">SPSS</span></span></span></span><span style="color:black;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"> صورت گرفت.</span></span></span><br> <strong><span style="color:#0070c0;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">یافته‌ها:</span></span></span></strong><span style="color:black;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"> برای مدل پیشنهادی، نتایج حاصل از شبیه‌سازی‌ها به ترتیب میانگین پارامترهای </span></span></span><span style="color:black;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">دقت طبقه‌بندی، حساسیت و صحت، 65/98، 98، 16/99 درصد بدست آمد.</span></span></span><br> <strong><span style="color:#0070c0;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">نتیجه&shy;گیری:</span></span></span></strong><span style="color:black;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"> نتایج حاصل از داده‌های واقعی نشان می‌دهد که سیستم پیشنهادی در تشخیص سرطان ریه بسیار مؤثرتر و سریع‌تر از سایر روش‌ها بوده است و می‌تواند برای برنامه‌های کاربردی بالینی به عنوان دستیار پزشک مورد استفاده قرارگیرد</span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">.</span></span></span></span><span style="color:black;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"></span></span></span> &nbsp;<br> <strong>Background:</strong> Lung cancer was known as primary cancers. Early detection of lung cancer reduces the length of treatment and spends a great deal of cost on the survival and survival of the individual. In recent years, the use of computer techniques in the use of data mining and intelligent algorithms has accelerated the early diagnosis of this cancer. The purpose of this paper is to evaluate the role of the new method based on Principal Component Analysis and Multi-Layer Perceptron with Genetic Algorithm optimization for Diagnosis of Lung Cancer.<br> <strong>Methods:</strong> In this study, the lung cancer dataset used was taken from the UCI machine learning database, including 32 patient records with 57 features. After performing its preprocessing steps, in the process of extraction of features and reduction of data dimensions, the main data of lung cancer were reduced to 17 characteristics using a basic component analysis. Then, in the classification step, these characteristics were reduced to multilayer perceptron by optimizing the genetic algorithm and the sensitivity and specificity of the model were studied according to the accuracy, sensitivity and Specificity. All analysis and synthesis were performed using the software of MATLAB and SPSS.<br> <strong>Results:</strong> For the proposed model, the results of the simulations were the mean of classification accuracy, sensitivity and specificity, respectively, 98.86, 98 and 99.16%.<br> <strong>Conclusion:</strong> The results on real data indicate that the proposed system is very effective in the diagnosis of lung cancer and can be used for clinical applications. سرطان ریه, تحلیل مؤلفه اساسی, شبکه عصبی مصنوعی, ساختار پرسپترون چند لایه, الگوریتم ژنتیک Lung cancer, Principal Component Analysis, Artificial neural network, Multilayer perceptron, Genetic Algorithm 48 56 http://rjms.iums.ac.ir/browse.php?a_code=A-10-4462-1&slc_lang=fa&sid=1 Ali Sharifi علی شریفی 3900319475328460048097 3900319475328460048097 No Lorestan University دانشکده علوم پایه، دانشگاه لرستان، ایران Kamal Alizadeh کمال علیزاده Alizadehkam@yahoo.com 3900319475328460048098 3900319475328460048098 Yes Lorestan University دانشکده علوم پایه، دانشگاه لرستان، ایران