چکیده:
با استفاده از ابزارهای دادهکاوی در حوزهی تشخیص پزشکی محدودیتهایی همچون هزینههای بالای برخی از آزمایشات یا زمانبر بودن آنها مرتفع میگردد. به علاوه، وجود خطا در برخی از آزمایشات موجب شده تا روشهای دستهبندی مورد استقبال پژوهشگران قرار گیرد. در همین راستا پژوهش جاری با تکیه بر ترکیب روشهای خوشهبندی و دستهبندی روش جدیدی را برای تشخیص بدخیمی سرطان سینه ارائه نموده است که در آن عمل ترکیب با استفاده از یک الگوریتم ابتکاری تکرار شونده و الگوریتم خوشهبندی انتشار وابستگی انجام میشود. این روش با استفاده از یک الگوریتم ابتکاری وزنهایی را برای متغیرها تولید نموده و براساس الگوریتم انتشار وابستگی، خوشههای موزون تشکیل میدهد. سپس شماره خوشهها به عنوان یک متغیر جدید به دادهها افزوده شده و در مرحلهی بعد، الگوریتم دستهبند بر روی مجموعه دادهی اصلاح شده حاوی دادههای اصلی و شمارهی خوشهها اجرا میگردد. با توجه به شاخص دقت، تولید اوزان تا رسیدن به بیشترین دقت ممکن ادامه مییابد. بر طبق آزمایشات عددی انجام شده در این پژوهش، ترکیب الگوریتم خوشهبندی انتشار وابستگی با میانگین دقت 36/98 دارای بیشترین دقت بوده است. به علاوه، آزمون فرض ویلکاکسون برتری شبکهی عصبی ترکیبی را نسبت به سایر روشها مورد تأیید قرار داده است.
چکیده انگلیسی:
By using data mining tools in the field of medical diagnosis, some limitations such as the high cost of some tests or their timing will be addressed. In addition, the existence of errors in some experiments has led researchers to be welcomed by categorization methods. In this regard, the present study, based on the combination of clustering and categorization methods, has proposed a new method for the diagnosis of breast cancer. In this operation, the combination is performed using an iterative algorithm and a dependency propagation clustering algorithm. This method produces weights for variables using an innovative algorithm and forms cluster clusters based on the dependency propagation algorithm. Then the number of clusters as a new variable is added to the data, and in the next step, the block algorithm is implemented on the modified dataset containing the main data and the number of clusters. According to the accuracy index, the weights production continues to reach the highest possible precision. According to the numerical experiments conducted in this study, the combination of the dependency emission clustering algorithm with an average accuracy of 36.98 was the most accurate. In addition, the Wilcoxon assumption test confirmed the superiority of the combined neural network compared to other methods.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
