fa مدل‌سازی بیماری سرطان پستان با استفاده از روش‌های مبتنی بر داده‌کاوی داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color:black;">مقدمه:</span></strong> سرطان سینه رایج‌ترین شکل سرطان در زنان است. اهمیت تشخیص سرطان سینه به عنوان یکی از موضوعات مهم در علم پزشکی مطرح می‌شود. تشخیص خوش‌خیم یا بدخیم بودن سرطان علاوه بر کاهش هزینه‌ها در جهت‌گیری نوع درمان از اهمیت فوق‌العاده‌ای برخوردار است. هدف از این پژوهش ارائه مدل‌هایی بر اساس داده‌کاوی است که قابلیت پیش‌بینی بیماری سرطان سینه را داشته باشند.<br> <strong><span style="color:black;">روش:</span></strong> این مطالعه از نوع توصیفی-تحلیلی می‌باشد. پایگاه داده آن شامل 683 رکورد مستقل شامل 9 متغیر موجود در پایگاه داده یادگیری ماشین <span dir="LTR">UCI</span> می‌باشد. در این مقاله، از شبکه‌های عصبی مصنوعی پرسپترون‌، بیزین و شبکه عصبی <span dir="LTR">LVQ</span> برای کلاس بندی سرطان سینه به دوکلاس خوش‌خیم و بدخیم استفاده شده است. از 80‌% داده‌ها جهت آموزش و از 20‌% باقی‌مانده جهت آزمون استفاده شد.<br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> پس از پیش‌پردازش داده‌ها شبکه‌های عصبی متفاوت با معماری‌های مختلف مورد بررسی قرار گرفتند. در بهترین حالت خوش‌خیم یا بد‌خیم بودن سرطان را در شبکه‌های عصبی پرسپترون چند لایه و شبکه عصبی <span dir="LTR">LVQ</span> و بیزین با میانگین ده بار تست به ترتیب با دقت‌های 97/5% و 97/6% و 98/3% پیش‌بینی شد. بررسی‌های مطالعه نشان داد که شبکه عصبی بیزین در تشخیص بیماری موفق‌تر است.<br> <strong>نتیجه &shy;گیری:</strong> سرطان پستان یکی از شایع‌ترین سرطان‌ها در بین زنان می‌باشد. تشخیص به موقع بیماری ضمن کاهش هزینه‌ها، شانس درمان موفقیت‌آمیز بیمار را افزایش می‌دهد. در این مطالعه ضمن تشخیص بیماری به کمک روش‌های داده‌کاوی، توانست با استفاده از شبکه عصبی بیزین به دقت بالایی در تشخیص بیماری دست یابد.</span><br> &nbsp;</div> <div style="text-align: justify;"><strong>Introduction:</strong> Breast cancer is the most common form of cancer in women. Breast cancer detection is considered as one of the most important issues in medical science. Diagnosis of benign or malignant type of cancer reduces costs and also is important in deciding about the treatment strategy. The aim of this study was to provide data mining based models that have the predictability of breast cancer detection.<br> <strong>Methods:</strong> This study was descriptive-analytic. Its database included 683 independent records containing nine clinical variables in the UCI machine learning. Multilayer Perceptron artificial neural network, Bayesian Neural Network and LVQ neural network were used for classification of breast cancer to benign and malignant types. In this study, 80% of data were used for network training and 20% were used for testing.<br> <strong>Results:</strong> After pre-processing the data, different neural networks with different architectures were used to detect breast cancer. In the best condition, we could predict benign or malignant cancer in the MLP neural networks, LVQ and Bayesian Neural Networks with an average of ten tests with an accuracy of 97.5% and 97.6% and 98.3% respectively. Our investigations showed that Bayesian neural network had a better performance.<br> <strong>Conclusion</strong>: Breast cancer is one of the most common cancers among women. Early diagnosis of disease reduces healthcare costs and increases patient survival chance. In this study, using data mining techniques in diagnosis, the researchers were able to use Bayesian neural network to achieve high accuracy in diagnosis.<br> &nbsp;</div> سرطان پستان, شبکه عصبی مصنوعی, شبکه عصبی پرسپترون, LVQ‌, داده کاوی Breast Cancer, Neural Networks, LVQ, Data Mining 266 278 http://jhbmi.ir/browse.php?a_code=A-10-259-2&slc_lang=fa&sid=1 Parvaneh Dehghan پروانه دهقان pardehghan@yahoo.com 10031947532846003677 10031947532846003677 No متخصص رادیوانکولوژی، استادیار ، دانشگاه علوم پزشکی تربت حیدریه، تربت حیدریه، ایران Maedeh Mogharabi مائده مقربی m.mogharebi@gmail.com 10031947532846003678 10031947532846003678 No کارشناس کامپیوتر، کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی تربت حیدریه، تربت حیدریه، ایران Iman Zabbah ایمان ذباح imanzabbah@gmail.com 10031947532846003679 10031947532846003679 Yes PhD Student, School of Electrical and Computer, Tehran North Branch, Islamic Azad University, Tehran, Iran. دانشجوی دکتری کامپیوتر، دانشکده برق و کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران Kamran Layeghi کامران لایقی kami.layeghiy@gmail.com 10031947532846003680 10031947532846003680 No دکتری کامپیوتر، استادیار گروه کامپیوتر، دانشکده برق و کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران Ali Maroosi علی ماروسی ali.maroosi@torbath.ac.ir 10031947532846003681 10031947532846003681 No دکتری کامپیوتر ، استادیار، گروه برق و کامپیوتر، دانشگاه تربت حیدریه، تربت حیدریه، خراسان رضوی، ایران