بخشی از مقاله
چکیده
سرطان سینه با نرخ مرگومیر بالا یکی از شایعترین سرطانها در میان زنان میباشد که تشخیص بهموقع و صحیح خوشخیم یا بدخیم بودن بافت سرطانی سینه، امری بسیار مهم و با اهمیت است. امروزه استفاده از روشهای کامپیوتری برای تشخیص انواع بیماریها، فراگیر و در حال گسترش است. در این مقاله از دو شبکهی عصبی مصنوعی برای تشخیص سرطان سینه استفاده شده است.
مجموعه ی دادهها از آزمایش آسپیراسیون سوزنی که روشی ساده و ارزان برای تشخیص دقیق و زودهنگام این سرطان است، به دست آمده که در دانشگاه Wisconsin آمریکا جمع آوری شدهاند. شبکهی پرسپترون چندلایه - MLP - با الگوریتم پسانتشار خطا و شبکهی شعاعی پایه - RBF - با الگوریتم k میانگین برای تشخیص خوشخیم یا بدخیم بودن سرطان سینه به کار گرفته شدهاند.
مقایسهی نتایج به دست آمده از شبکهی MLP و RBF با سایر روشهای دیگر نشاندهنده عملکرد مطلوب و دقت بالای این شبکهها میباشد که با استفاده از آنها میتوان تعداد جراحیهای غیر ضروری روی بیماران را کاهش داده و هزینههای مربوطه را کم کرد.
مقدمه
سرطان سینه به یکی از علل عمده مرگ و میر در سراسر جهان تبدیل شده و هماکنون پژوهش برای تشخیص و درمان این سرطان یک موضوع مهم برای جامعهی علمی میباشد. علل اصلی و غالب سرطان سینه نامعلوم مانده است
پیشگیری از آن هنوز هم یک راز است و تنها راه برای کمک به زنده ماندن بیماران، تشخیص زود هنگام آن میباشد. اگر سلولهای سرطانی قبل از گسترش به سایر ارگانها شناسایی شوند، نرخ بقا برای بیماران به بیش از %97 میرسد
کشورهای صنعتی مانند ایالات متحده، استرالیا و کشورهای غرب اروپا شاهد بالاترین میزان بروز سرطان سینه هستند. در بسیاری از کشورها، بروز سرطان سینه در طول قرن 20ام افزایش یافته است که تا حد زیادی منعکس کننده تغییرات جهانی در الگوهای باروری و افزایش منطقه ای در ماموگرافی میباشد
با توجه به ملاحظات اجتماعی و فرهنگی، سرطان سینه دارای بالاترین رتبه در میان نگرانیهای بهداشتی زنان است. پس از سرطان تیروئید، ملانوم و لنفوم، سرطان سینه در جایگاه چهارم بروز سرطان در زنان بین 20 تا 29 سال است
سرطان بیماری است که در آن سلولها به حالت غیر طبیعی تبدیل شده و به طور غیر قابل کنترل تکثیر میشوند. در سرطان سینه، سرطان در بافت سینه آغاز میشود و سلولهای سرطانی ممکن است یک توده به نام تومور تشکیل دهند. همچنین ممکن است به بافتهای اطراف حمله کرده و به غدد لنفاوی و دیگر قسمت های بدن گسترش یابند. سرطان سینه اغلب به صورت تودهای در سینه توسط بیمار شناسایی میشود. اکثر تودههای سینه خوشخیم هستند، بنابراین بر عهدهی پزشک است تا تودههای خوشخیم را از بدخیم تشخیص دهد
روشهای مختلفی برای تشخیص سرطان سینه وجود دارد که ماموگرافی، آسپیراسیون سوزنی - FNA - و بیوپسی جراحی از روشهای متداول هستند. حساسیت گزارش شده - توانایی تشخیص صحیح سرطان - در ماموگرافی بین %68 تا %79، در آسپیراسیون سوزنی با تفسیر بصری بین %65 تا %98 و در جراحی نزدیک یه %100 میباشد. در بین روشهای موجود، جراحی بالاترین دقت تشخیص را داراست، اما روشی تهاجمی، زمانبر و گران میباشد. پس اگر با استفاده از روشهای کامپیوتری که روشی سریع، کم هزینه و در دسترس است، توده به درستی خوشخیم تشخیص داده شود، دیگر نیازی به انجام بیوپسی یا عمل جراحی روی بافت سینه نیست و بدین ترتیب از اضطراب و نگرانیهای بسیاری که بر بیمار تحمیل میشود، جلوگیری میگردد.
آزمایش آسپیراسیون سوزنی دارای دقت بالا، تقریباً بدون عوارض جانبی و به صورت سرپایی قابل انجام است و معایب روش قبلی را ندارد. این آزمایش با استخراج مایع از بافت سینه و معاینهی بصری نمونه در زیر میکروسکوپ انجام میشود که با استفاده از روشهای یادگیری هوشمند، میتوان سیستمی کارآمد برای تشخیص سرطان سینه فراهم آورد تا علاوه بر کاهش هزینهها، به عنوان یک ابزار کمکی برای پزشک در تشخیص این سرطان باشد
مروری بر تحقیقات گذشته
در سال 1996 همیلتون و همکارانش با استفاده از روش RIAC در تشخیص سرطان سینه به دقت %94,99 دست یافتند
در سال 1999 ناک و کروز با استفاده از روش طبقهبندی فازی به دقت %95,06 رسیدند - . - Nauck & Kruse, 1999 در سال 1999 پنیا-ریس و سیپر با ترکیب سیستم فازی و الگوریتم ژنتیک به دقت %97,36 در طبقه بندی دادهها دست یافتند
در سال 2000 رودی سیشنو با استفاده از قوانین به دست آمده از یک شبکهی عصبی پیشخور و پیش پردازش دادهها دقت بیش از %96 به دست آورد - . - Setiono, 2000 در سال 2002 حسین عباس با استفاده از یک شبکه عصبی تکاملی و الگوریتم PDE با جستوجوی محلی به پیشبینی سرطان سینه پرداخته است که به دقت %98 رسید
در سال 2003 آبونی و سایفرت با استفاده از یک مدل خوشهبندی فازی نظارت شده که تعمیمی از کلاسیفایر بیز است به دقت %95,57 دست یافتند
در سال 2007 یوسف ماشور و همکارانش از سیزده ویژگی مورفولوژیکی که از سلولهای ضایعه سینه استخراج شده به عنوان ورودی سه شبکه عصبی برای طبقه بندی دادهها به چهار گروه: بدخیم، فیبروآدنوم ، بیماری فیبروکیستیک و دیگر سلولهای خوشخیم استفاده کردند که پرسپترون چندلایه - MLP - با دقت کل %92,78، تابع شعاعی پایه - RBF - با دقت کل %83,31 و پرسپترون ترکیبی چندﻻیه - HMLP - با دقت کل %100 به دست آمدند
در سال 2007 اوبیلی از پنج کلاسیفایر برای تشخیص سرطان سینه استفاده کرد. این طبقهبندی کنندهها شامل: پرسپترون چندلایه - MLP - ، شبکهی عصبی ترکیب شده - CNN - ، شبکهی عصبی احتمالی - PNN - ، شبکهی عصبی بازگشتی - RNN - و ماشین بردار پشتیبان - SVM - است که به ترتیب دارای دقت کل %91,92، %97,46، %98,15، %98,61 و %99,54 میباشند - . - Übeyli, 2007 در سال 2007 گیوجارو-بردیناس و همکارانش از پرسپترون چندلایه - MLP - و یک الگوریتم خطی با حداقل مربعات خطا استفاده کردند و به دقت %96 رسیدند
در سال 2009 کرابتک و سودت با استفاده از شبکهی عصبی و قواعد وابستگی - AR - به کاهش ابعاد دیتا برای تشخیص سرطان سینه پرداختند و به دقت %95,6 رسیدند
در سال 2009 چانکار و امبیولجکار از شبکهی عصبی جوردن المن برای تشخیص سرطان سینه استفاده کردند و به دقت %98,75 دست یافتند
در سال 2011 مارکانو-سیدنو و همکارانش با استفاده از پرسپترون مصنوعی انعطافپذیر چندﻻیه - AMMLP - دقت %99,26 را به دست آوردند
در سال 2012 سلاما و همکارانش از درخت تصمیم - J48 - ، پرسپترون چندلایه - MLP - ، نیو بیز - NB - ، بهینه سازی حداقل متوالی - SMO - و نزدیک ترین k همسایه - IBK - برای طبقهبندی دادههای سرطان سینه استفاده کردند که به ترتیب دارای دقتهای %95,13، %95,27، %95,99، %96,99 و %94,56 میباشند. تمام نتایج از ابزار داده کاوی WEKA به دست آمدند
