مقایسه‌ی عملکرد طبقه‌بندی کننده‌های مختلف در پیشگویی متاستاز سرطان سینه با استفاده از میکرو آرایه

نویسندگان

1 دانشیار، گروه مهندسی پزشکی- بیوالکتریک، گروه مهندسی پزشکی، دانشکده‌ی فناوری‌های نوین، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

2 دانشجوی دکتری، گروه مهندسی پزشکی، دانشکده‌ی فناوری‌های نوین، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

doi
چکیده

مقدمه: هدف از این تحقیق، دستیابی به یک روش قابل اعتماد برای پیشگویی متاستاز در مبتلایان به سرطان سینه بود.روش‌ها: در این مطالعه از آنالیز میکرو آرایه‌ی DNA مربوط به تومور سینه در 78 بیمار جوان با شرایط یکسان (34 نفر با متاستاز و 44 نفر بدون متاستاز) استفاده و تلاش شد تا با مقایسه‌ی عملکرد چند طبقه‌بندی کننده‌ی مطرح روی بیان ژن‌های آن‌ها، یک سیستم پیشگویی قوی برای متاستاز به دست آید. برای این امر، طبقه‌بندی کننده‌های SWLDA (Stepwise linear discriminate analysis)، ماشین بردار پشتیبان (SVM یا Support vector machine) و K نزدیک‌ترین همسایه (KNN یا K-Nearest Neighbours) با استفاده از روش LOO (Leave one out) بر روی 231 ژن انتخابی به کار برده شد تا این نمونه‌ها را به دو گروه با و بدون متاستاز تفکیک کنند.یافته‌ها: روش ماشین بردار پشتیبان با کرنل خطی از نظر میزان صحت، Sensitivity و Specificity بهترین روش است. ماشین بردار پشتیبان با استفاده از کرنل خطی توانست با Sensitivity بیش از 84 درصد و Specificity نزدیک به 82 درصد به تفکیک دادگان بپردازد.نتیجه‌گیری: در مورد روش SWLDA، مزیتی که وجود دارد این است که این طبقه‌بندی کننده قبل از دسته‌بندی از یک مرحله‌ی انتخاب ویژگی بهره می‌برد که این مسأله پیچیدگی تابع تصمیم‌گیری را کمتر و تعمیم پذیری طبقه‌بندی کننده را بیشتر می‌کند.