یک روش طبقه‌بندی ترکیبی برای تشخیص سرطان پستان با استفاده از الگوریتم ژنتیک و تنظیم چند مرحله‌ای وزن‌ها در شبکه عصبی MLP

مهندسی مخابرات جنوب

دوره 10، شماره 40، تیر 1400، صفحه 1-16   

نوع مقاله: مقاله پژوهشی

نویسندگان

امین رضایی پناه^{* 1}؛ سیدجواد میرعابدینی²؛ علی مبارکی³

¹گروه مهندسی کامپیوتر، موسسه آموزش عالی رهجویان دانش برازجان، بوشهر، ایران

²گروه مهندسی کامپیوتر-نرم افزار، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران

³گروه مهندسی کامپیوتر-نرم افزار، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران

چکیده

امروزه با گسترش روز افزون علم، استفاده از سیستم­های پشتیبان تصمیم می­تواند کمک زیادی در سیاست­های درمانی پزشک داشته باشد. بدین منظور استفاده از سیستم­های هوشمند مصنوعی در پیش­بینی و تشخیص سرطان پستان که یکی از رایج­ترین سرطان­ها در بین زنان می­باشد، مورد توجه است. در این مقاله فرآیند تشخیص بیماری سرطان پستان با استفاده از تنظیم چند مرحله­ای وزن­ها در شبکه عصبی MLP در دو لایه انجام می­شود. در لایه اول، سه طبقه­بند وجود دارد که به طور همزمان روی داده­های مجموعه یادگیری آموزش می­بینند. پس از اتمام آموزش خروجی طبقه­بندهای لایه اول جمع­آوری شده و به همراه داده­های مجموعه یادگیری در مجموعه­ای جدید قرار می­گیرند. این مجموعه به عنوان ورودی به فراطبقه­بند لایه دوم داده می­شود و فراطبقه­بند نگاشت میان خروجی­های هر یک از طبقه­بندهای معمولی لایه اول را با کلاس­های خروجی واقعی مدل می­کند. ساختار سه طبقه­بند لایه اول و همچنین فراطبقه­بند لایه دوم یک شبکه عصبی MLP است که وزن­ها، ویژگی­های موثر و اندازه لایه مخفی در آن به طور همزمان با استفاده از یک الگوریتم ژنتیک ابتکاری بهینه­سازی می­شود. به منظور ارزیابی دقت مدل پیشنهادی از پایگاه داده ویسکانسین استفاده می­شود که با تست FNA ایجاد شده است. نتایج آزمایش­ها روی مجموعه داده WBCD دقت 98.72% را برای روش پیشنهادی نشان می­دهد که نسبت به الگوریتم­های GAANN، CAFS عملکرد بهتری ارائه داده است.

کلیدواژه‌ها

الگوریتم ژنتیک؛ ویژگی‌های موثر؛ فراطبقه‌بند؛ شبکه عصبی MLP؛ پایگاه داده ویسکانسین

مراجع

[1] A. Antoniou, P. D. P. Pharoah,  S. Narod, H. A. Risch,  J. E. Eyfjord,  J. L. Hopper and B. Pasini,  “Average risks of breast and ovarian cancer associated with BRCA1 or BRCA2 mutations detected in case series unselected for family history: a combined analysis of 22 studies”, The American Journal of Human Genetics, vol.72, no.5, pp.1117-1130, 2003.

[2] L. C. Hartmann,  D. J. Schaid,  J. E. Woods,  T. P. Crotty,  J. L. Myers,  P. G. Arnold and, M. H. Frost, “Efficacy of bilateral prophylactic mastectomy in women with a family history of breast cancer”, New England Journal of Medicine, vol.340no. 2, pp.77-84, 1999.

[3], M. C. King, , J. H. Marks and J. B. Mandell, “Breast and ovarian cancer risks due to inherited mutations in BRCA1 and BRCA2”, Science, vol.302, no.5645, pp.643-646, 2003.

[4] C. DeSantis.,  J. Ma,  L. Bryan and, A. Jemal, “Breast cancer statistics, 2013”, CA: a cancer journal for clinicians, vol.64, no.1, pp.52-62, 2014.

[5] K. M. Kash,  J. C. Holland,  M. S. Halper and, D. G. Miller, “Psychological distress and surveillance behaviors of women with a family history of breast cancer”. JNCI: Journal of the National Cancer Institute, vol.84, no.1, pp.24-30, 1992.

[6], R. L. Siegel, , K. D. Miller and, A. Jemal, “Cancer statistics, 2015”, CA: a cancer journal for clinicians, vol.65, no.1, pp.5-29, 2015.

[7] E. C. Fear,  X. Li,  S. C. Hagness and, M. A. Stuchly, “Confocal microwave imaging for breast cancer detection: Localization of tumors in three dimensions”, IEEE Transactions on Biomedical Engineering, vol.49, no.8, pp.812-822, 2002.

[8] A. Asuncion  and Newman, DUCI machine learning repository,  (2007).

[9] مرزوقی, فاطمه و علی اصغر صفائی (۱۳۹۵)، مدلی برای تشخیص سرطان سینه مبتنی بر شبکه های عصبی، کنفرانس بین المللی مهندسی کامپیوتر و فناوری اطلاعات، تهران، دبیرخانه دایمی کنفرانس.

[10] شیخ پور, راضیه و مهدی آقاصرام (1394)، انتخاب ویژگی‌های موثر در تشخیص سرطان سینه با استفاده از مدل‌های پارامتریک یادگیری ماشین. فصلنامه علمی-پژوهشی بیماری های سینه, 8(2), 16-23.

[11] بهمن یار, حسن و بهزاد یثربی (۱۳۹۶)، انتخاب ویژگی های موثر برای تشخیص سرطان سینه با استفاده از الگوریتم شبکه عصبی مصنوعی با رویکرد تکاملی، کنفرانس ملی پژوهش های نوین در برق، کامپیوتر و مهندسی پزشکی، کازرون، دانشگاه آزاد اسلامی واحد کازرون.

[12] سندی, فاطمه؛ الهام عسکری؛ نرجس مطهری و پرستو شهابی چروده (۱۳۹۵)، مقایسه و ارزیابی تکنیک های داده کاوی در جهت تشخیص بهتر سرطان سینه، دومین کنفرانس بین المللی مدیریت و فناوری اطلاعات و ارتباطات، تهران، شرکت خدمات برتر.

[13] M. Nilashi,  O. Ibrahim,  H. Ahmadi and  , L Shahmoradi, “A knowledge-based system for breast cancer classification using fuzzy logic method”, Telematics and Informatics, 34(4), pp.133-144, 2017.

[14], R. D. H. Devi, and, M. I. Devi, “Outlier detection algorithm combined with decision tree classifier for early diagnosis of breast cancer”. Int J Adv Engg Tech, vol. 6,no.2 , pp. 93-98, 2016.

[15] K. J. Wang,  B. Makond,  K. H. Chen, and, K. M. Wang, “A hybrid classifier combining SMOTE with PSO to estimate 5-year survivability of breast cancer patients”. Applied Soft Computing, 2016, pp.15-24.

[16] J. Diz, G. Marreiros, and A. Freitas, “Applying Data Mining Techniques to Improve Breast Cancer Diagnosis”. Journal of medical systems, vol.40, no.9, pp. 203-210, 2016.

[17] K. Vaidehi, and, T. S. Subashini, “Breast tissue characterization using combined K-NN classifier”, Indian Journal of Science and Technology, vol.8,no.1, pp. 23-26, 2015.

[18] A. Onan,  “A fuzzy-rough nearest neighbor classifier combined with consistency-based subset evaluation and instance selection for automated diagnosis of breast cancer”, Expert Systems with Applications, vol.42, no.20, pp.6844-6852, 2015.

[19] R. Sheikhpour,  M. A. Sarram, and, R. Sheikhpour , “Particle swarm optimization for bandwidth determination and feature selection of kernel density estimation based classifiers in diagnosis of breast cancer”, Applied Soft Computing, vol.40, pp.113-131, 2016.

[20] F. Ahmad,  N. A. M. Isa,  Z. Hussain,  M. K. Osman, and S. N. Sulaiman, “A GA-based feature selection and parameter optimization of an ANN in diagnosing breast cancer”. Pattern Analysis and Application, vol.18, no.4, pp.861-870, 2015.

[21] MM. Kabir, MM. Islam and K. Murase,  “A new wrapper feature selection approach using neural network”, Neurocomputing,vol. 73, pp. 3273–3283, 2010.

[22] G. L. Scott, and H. C. Longuet-Higgins, “Feature grouping by'relocalisation'of eigenvectors of the proximity matrix”. in BMVC,1990, pp. 1-6.

[23] Z. Kim and R. Nevatia, “Uncertain reasoning and learning for feature grouping”, Computer Vision and Image Understanding, vol.76, no.3, pp.278-288, 1999.

[24] G. Gan, and M. K. P. Ng,  “Subspace clustering with automatic feature grouping” Pattern Recognition, vol.48, no.11, pp. 3703-3713, 2015.

[25] Breast Cancer Wisconsin (Original) dataset, UCI machine language repository, 1992.

[26] A. Marcano-Cedeño,  J. Quintanilla-Domínguez  and D. Andina,  “WBCD breast cancer database classification applying artificial metaplasticity neural network”,  Expert Systems with Applications, vol.38, no.8, pp. 9573-9579, 2011.

[27] MF. Akay, “Support vector machines combined with feature selection for breast cancer diagnosis”, Expert Syst Appl, vol.36, no.2, pp. 3240–3247, 2009.

[28] Y. Peng, Z. Wu, J. Jiang,  “A novel feature selection approach for biomedical data classification”,  J Biomed Inform,  vol.43, no.1, pp.15–23, 2010.

[29] A. Marcano-Ceden˜o, J. Quintanilla-Domı´nguez and D. Andina, “WBCD breast cancer database classification applying artificial metaplasticity neural network”,  Expert Syst Appl, vol.38, no.8, pp.9573–9579, 2011.

[30] M. Karabatak, MC. Ince,  “An expert system for detection of breast cancer based on association rules and neural network”, Expert Syst Appl, vol.36, no.2, pp. 3465–3469, 2009.

[31] R. Stoean, C. Stoean,  “Modeling medical decision making by support vector machines, explaining by rules of evolutionary algorithms with feature selection” Expert Syst Appl, vol.40, no.7, pp.2677–2686, 2013.

[32], V. Chaurasia, and, S. Pal, (2017). “A novel approach for breast cancer detection using data mining techniques”, International Journal of Innovative Research in Computer and Communication Engineering, vol.2, no.1, 2017.

[33] D. H. Wolpert, “Stacked generalization”, Neural networks, vol.5, no.2, 241-259, 1992.

[34] A. Al-Ani,  A. Alsukker, and R. N. Khushaba,  “Feature subset selection using differential evolution and a wheel based search strategy”. Swarm and Evolutionary Computation, vol.9, pp.15-26, 2013.

[35] S. Lee,  H. Park, and M. Jeon, “Binary particle swarm optimization with bit change mutation, IEICE transactions on fundamentals of electronics, communications and computer sciences, vol.90, no.10, pp.2253-2256, 2007.

[36] G. Tsoumakas,  I. Katakis and I. Vlahavas, “Effective voting of heterogeneous classifiers”. in European Conference on Machine Learning, 2004,  pp. 465-476.