استفاده همزمان از همبستگی‌خطی پیرسون و ترکیب الگوریتم‌های داده‌کاوی به منظور بهبود پیش‌بینی نوع تومور در بیماران سرطانی

Abstract

<span lang="FA" dir="RTL">امروزه سرطان سینه از شایع‌ترین بیماری‌های سرطان در بین زنان به</span><strong><span>‌</span></strong><span lang="FA" dir="RTL">شمار می‌آید. آمارها از رشد شش درصدی این نوع سرطان در ایران حکایت می‌کند که نشان دهنده جدی بودن خطر آن می‌باشد. این در صورتی است که در صورت پیشگیری و یا تشخیص زود هنگام بیماری می‌توان تا حد زیادی از خطرات آن جلوگیری نمود. با پیشرفت علوم پزشکی، زمینه لازم جهت ایجاد سیستم</span><strong><span>‌</span></strong><span lang="FA" dir="RTL">هایی با قابلیت پیشگیری، پیش‌بینی و درمان بیماران با استفاده از فناوری‌های جدید حاصل گردیده است. داده‌کاوی پزشکی سعی در مدل‌سازی و کشف روابط بین عوامل خطرساز جهت پیش‌بینی وضعیت بیماران آینده با کمک از داده‌های در‌دست دارد. در این پژوهش سعی گردیده تا با مقایسه الگوریتم‌های مختلف داده‌کاوی و ترکیب این الگوریتم‌ها، روشی جدید، کارا و با دقت بالا و قابلیت پیاده‌سازی بر روی داده‌های محلی ایجاد گردد. در نهایت روش پیشنهادی که به بهبود کارایی الگوریتم بیز ساده با استفاده از الگوریتم آدابوست می­پردازد، توانایی پیش‌بینی نوع تومور خوش‌خیم یا بدخیم با دقت96.67 درصد را دارا می­باشد. داده‌های لازم جهت این فرآیند از سایت</span><strong><span>UCI</span></strong><span lang="FA" dir="RTL"> جهت تشخیص نوع تومور با569 رکورد و32 متغیر، استخراج گردیده است. </span>