آدرس ایمیل خود را وارد نمایید
ثبت
پیام خود را بنویسید
جلد 18، شماره 3 - ( مجله علمی بیماری های پستان ایران 1404 )
جلد 18 شماره 3 صفحات 0-112 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
motevali alamuti M, khalilian M, bastanfard A. Breast cancer prediction approach based on microarray data using hybrid gene selection and deep learning. ijbd 2025; 18 (3) :112-0
URL: http://ijbd.ir/article-1-1154-fa.html
URL: http://ijbd.ir/article-1-1154-fa.html
متولی الموتی معصومه، خلیلیان مجید، باستان فرد اعظم. رویکرد پیش بینی سرطان پستان بر اساس داده های میکروآرایه با استفاده از انتخاب ژن ترکیبی و یادگیری عمیق. بیماری‌های پستان ایران. 1404; 18 (3) :112-0
1- دانشجوی دکتری کامپیوتر،گروه کامپیوتر دانشگاه آزاد اسلامی، واحد کرج، ایران
2- گروه کامپیوتر دانشگاه آزاد اسلامی، واحد کرج، ایران ،Khalilian@kiau.ac.ir
3- گروه کامپیوتر دانشگاه آزاد اسلامی، واحد کرج، ایران
2- گروه کامپیوتر دانشگاه آزاد اسلامی، واحد کرج، ایران ،
3- گروه کامپیوتر دانشگاه آزاد اسلامی، واحد کرج، ایران
چکیده: (254 مشاهده)
مقدمه: سرطان پستان ، شایع‌ترین سرطان و دومین علت مرگ‌ومیر ناشی از سرطان در زنان است و به‌دلیل تکثیر غیرقابل‌کنترل سلول‌های بافت پستان رخ می‌دهد. بررسی بیان ژن در این سرطان، اطلاعات ارزشمندی درباره رفتار و پیشرفت بیماری ارائه می‌دهد و با استفاده از داده‌های میکروآرایه DNA، محققان می‌توانند الگوهای خاص ژنی را شناسایی کنند که به تشخیص دقیق‌تر و بهبود درمان کمک می‌کند. با این حال، حجم بالای داده‌های میکروآرایه چالش‌های پیچیده‌ای را برای الگوریتم‌های یادگیری ماشین به همراه دارد. برای رفع این مشکل، از روش انتخاب ویژگی برای کاهش ابعاد داده‌ها استفاده می‌شود که علاوه بر افزایش دقت، زمان پردازش را نیز کاهش می‌دهد و در تشخیص و طبقه‌بندی مؤثرتر سرطان مفید است.
روش بررسی: در این تحقیق، هدف انتخاب ژن‌های مرتبط با سرطان پستان در داده‌های میکروآرایه‌ای است که حاوی اطلاعات بسیار پیچیده‌ای از بیان ژن‌ها هستند. برای بهبود دقت و کارایی طبقه‌بندی این داده‌ها، از یک رویکرد ترکیبی استفاده شده است که ترکیب دو روش انتخاب ویژگی فیلتر و لفاف را با الگوریتم ساخت اهرام جیزه چندهدفه (FWGPC) و یادگیری عمیق به‌کار می‌گیرد.
یافته‌ها: نتایج تجربی نشان می‌دهد که این روش بر روی مجموعه داده‌های مختلف (BC-TCGA، GSE) به ترتیب دقتی برابر با 99.96 % و 96.1% را به‌دست آورده و از بسیاری از روش‌های طبقه‌بندی دیگر در تشخیص نمونه‌های جدید سرطان پستان عملکرد بهتری دارد.
نتیجه گیری: در این رویکرد، جمعیت اولیه الگوریتم GPC به دو گروه تقسیم می‌شود: یکی براساس تابع تناسب مبتنی بر روش فیلتر و دیگری براساس تابع تناسب مبتنی بر روش لفاف. هر بخش ویژگی‌های خود را براساس معیارهای خاص ارزیابی می‌کند و در نهایت، یک مسابقه بین بهترین نتایج دو بخش برگزار می‌شود. یادگیری عمیق با بررسی دقت طبقه‌بندی، برنده نهایی را اعلام می‌کند که بهترین دقت را در طبقه‌بندی داده‌های جدید سرطان پستان دارد.
واژه‌های کلیدی: سرطان پستان، داده های میکرو آرایه، انتخاب ویژگی، الگوریتم سخت اهرام جیزه، یادگیری عمیق
فهرست منابع
1. [1] Bissanum R, Chaichulee S, Kamolphiwong R, Navakanitworakul R, Kanokwiroon K. Molecular Classification Models for Triple Negative Breast Cancer Subtype Using Machine Learning. J Pers Med. 2021 Sep 1;11(9):881. doi: 10.3390/jpm11090881. [DOI:10.3390/jpm11090881] [PMID] []
2. [2] M. Sugimoto, S. Hikichi, M. Takada, M. Toi. Machine learning techniques for breast cancer diagnosis and treatment: a narrative review, Annals of Breast Surgery. 2023; 7:1-13. doi:10.21037/abs-21-63. [DOI:10.21037/abs-21-63]
3. [3] Abhisheka, B, Biswas, S.K. & Purkayastha, B. A Comprehensive Review on Breast Cancer Detection, Classification and Segmentation Using Deep Learning. Arch Computat Methods Eng. 2023;30: 5023-5052. doi:10.1007/s11831-023-09968-z [DOI:10.1007/s11831-023-09968-z]
4. [4] Gupta S, Gupta MK, Shabaz M, Sharma A. Deep learning techniques for cancer classification using microarray gene expression data. Front Physiol. 2022;13:952709. doi: 10.3389/fphys.2022.952709. [DOI:10.3389/fphys.2022.952709] [PMID] []
5. [5] Moshood A. Hambali, Tinuke O. Oladele, Kayode S. Adewole. Microarray cancer feature selection: Review, challenges and research directions. International Journal of Cognitive Computing in Engineering. 2020;1:78-97. [DOI:10.1016/j.ijcce.2020.11.001]
6. [6] Turgut S, Dağtekin M, Ensari T.Microarray breast cancer data classification using machine learning methods. 2018 Electric Electronics, Computer Science, Biomedical Engineerings' Meeting (EBBT), Istanbul, Turkey, 2018; 1-3, doi: 10.1109/EBBT.2018.8391468. [DOI:10.1109/EBBT.2018.8391468]
7. [7] Thalor A, Kumar Joon H, Singh G, Roy S, Gupta D. Machine learning assisted analysis of breast cancer gene expression profiles reveals novel potential prognostic biomarkers for triple-negative breast cancer. Comput Struct Biotechnol J. 2022;20: 18-1631. doi: 10.1016/j.csbj.2022.03.019. [DOI:10.1016/j.csbj.2022.03.019] [PMID] []
8. [8] Alhenawi E. a., Al-SayyedR, Hudaib A, Mirjalili S. Feature selection methods on gene expression microarray data for cancer classification: A systematic review. Computers in biology and medicine. 2022; 140: 105051. doi:10.1016/j.compbiomed.2021.105051 [DOI:10.1016/j.compbiomed.2021.105051] [PMID]
9. [9] Bellarmino N, Cantoro R, Huch M, Kilian T, Schlichtmann U, Squillero G. Feature Selection for Cost Reduction In MCU Performance Screening. in 2023 IEEE 24th Latin American Test Symposium (LATS), 2023: 1-6. doi: 10.1109/LATS58125.2023.10154495 [DOI:10.1109/LATS58125.2023.10154495]
10. [10] Theng D, Bhoyar K. K,. Feature selection techniques for machine learning: a survey of more than two decades of research. Knowledge and Information Systems. 2024;66(3):1575-1637. doi: 10.1007/s10115-023-02010-5 [DOI:10.1007/s10115-023-02010-5]
11. [11]M. Z. Ali, A. Abdullah, A. M. Zaki, F. H. Rizk, M. M. Eid, E. M. El-Kenway. Advances and challenges in feature selection methods: a comprehensive review. J. Artif. Intell. Metaheuristics. 2024; 1: 67-77. doi: 10.54216/JAIM.070105 [DOI:10.54216/JAIM.070105]
12. [12]K. Navin, H. K. Nehemiah, Y. Nancy Jane, and H. Veena Saroji. A classification framework using filter-wrapper based feature selection approach for the diagnosis of congenital heart failure. Journal of Intelligent & Fuzzy Systems. 2023; 44(4):6183-218. doi:10.3233/JIFS-230004 [DOI:10.3233/JIFS-230004]
13. [13]Kalaiyarasi M, Rajaguru H. Performance analysis of ovarian cancer detection and classification for microarray gene data," BioMed Research International, 2022;2022(1):6750457. doi:10.1155/2022/6750457 [DOI:10.1155/2022/6750457] [PMID] []
14. [14]Patil S., Balmuri K. R., Frnda J., Parameshachari B., Konda S., Nedoma J,. Identification of Triple Negative Breast Cancer Genes Using Rough Set Based Feature Selection Algorithm & Ensemble Classifier. Human-centric computing and information sciences. 2022; 12. doi:10.22967/HCIS.2022.12.054
15. [15]S. H. Shah, M. J. Iqbal, I. Ahmad, S. Khan, and J. J. P. C. Rodrigues. Optimized Shah, S.H., Iqbal, M.J., Ahmad, I. et al. Optimized gene selection and classification of cancer from microarray gene expression data using deep learning. Neural Comput & Applic (2020). doi:10.1007/s00521-020-05367-8 [DOI:10.1007/s00521-020-05367-8]
16. [16] Alrefai, N., Ibrahim, O. Optimized feature selection method using particle swarm intelligence with ensemble learning for cancer classification based on microarray datasets. Neural Comput & Applic . 2022;(34):13513-28. doi:10.1007/s00521-022-07147-y [DOI:10.1007/s00521-022-07147-y]
17. [17]Othman M. S., Kumaran S. R., Yusuf L. M., Gene selection using hybrid multi-objective cuckoo search algorithm with evolutionary operators for cancer microarray data. IEEE Access. 2020;(8): 186348-61. doi:10.1109/ACCESS.2020.3029890 [DOI:10.1109/ACCESS.2020.3029890]
18. [18]H. Fathi, H. AlSalman, A. Gumaei, I. I. Manhrawy, A. G. Hussien, and P. El-Kafrawy, "An Efficient Cancer Classification Model Using Microarray and High‐Dimensional Data," Computational Intelligence and Neuroscience. 2021; 2021(1). 7231126. doi:10.1155/2021/7231126 [DOI:10.1155/2021/7231126] [PMID] []
19. [19]N. M. Ali, N. Aziz, and R. Besar, "Comparison of microarray breast cancer classification using support vector machine and logistic regression with LASSO and boruta feature selection," Indones J Electr Eng Comput Sci.2020;20(2):712-9. doi:10.11591/ijeecs.v20.i2.pp712-719. [DOI:10.11591/ijeecs.v20.i2.pp712-719]
20. [20]Taghizadeh E., Heydarheydari S., Saberi A., JafarpoorNesheli S., Rezaeijo S. M., Breast cancer prediction with transcriptome profiling using feature selection and machine learning methods. BMC Bioinformatics. 2022;23(1):410. doi:10.1186/s12859-022-04965-8 [DOI:10.1186/s12859-022-04965-8] [PMID] []
21. [21]Gokhale M., Mohanty S. K., Ojha A., A stacked autoencoder based gene selection and cancer classification framework. Biomedical Signal Processing and Control. 2022;78: 103999. doi:10.1016/j.bspc.2022.103999 [DOI:10.1016/j.bspc.2022.103999]
22. [22]Jiang Q. Jin M., Feature Selection for Breast Cancer Classification by Integrating Somatic Mutation and Gene Expression. (in English). Frontiers in Genetics, Original Research. 2021;12. doi:10.3389/fgene.2021.629946 [DOI:10.3389/fgene.2021.629946] [PMID] []
23. [23]Li Q, Yang H, Wang P, Liu X, Lv K, Ye M. XGBoost-based and tumor-immune characterized gene signature for the prediction of metastatic status in breast cancer. J Transl Med. 2022;20(1):177. doi: 10.1186/s12967-022-03369-9. [DOI:10.1186/s12967-022-03369-9] [PMID] []
24. [24]Alromema N, Syed AH, Khan T. A Hybrid Machine Learning Approach to Screen Optimal Predictors for the Classification of Primary Breast Tumors from Gene Expression Microarray Data. Diagnostics (Basel). 2023;13(4):708. doi: 10.3390/diagnostics13040708. [DOI:10.3390/diagnostics13040708] [PMID] []
25. [25]Yaqoob, A., Verma, N.K. & Aziz, R.M. Optimizing Gene Selection and Cancer Classification with Hybrid Sine Cosine and Cuckoo Search Algorithm. Journal of Medical Systems, 2024;48(1):10 doi:10.1007/s10916-023-02188-3 [DOI:10.1007/s10916-023-02031-1] [PMID]
26. [26]Kramer B., Peherstorfer B., Willcox K. E., Learning nonlinear reduced models from data with operator inference. Annual Review of Fluid Mechanics. 2024;56(1): 521-48. doi:10.1146/annurev-fluid-121021-025220 [DOI:10.1146/annurev-fluid-121021-025220]
27. [27]Cong, S., Zhou, Y. A review of convolutional neural network architectures and their optimizations. Artificial Intelligence Review. 2023;56(3):1905-69. doi:10.1007/s10462-022-10213-5 [DOI:10.1007/s10462-022-10213-5]
28. [28] Corominas A. On deciding when to stop metaheuristics: Properties, rules and termination conditions. Operations Research Perspectives. 2023;10:100283. doi:10.1016/j.orp.2023.100283 [DOI:10.1016/j.orp.2023.100283]
29. [29]Karlupia N. Abrol P., Wrapper-based optimized feature selection using nature-inspired algorithms. Neural Computing and Applications. 2023;35(17):12675-89. doi:10.1007/s00542-023-08383-6. [DOI:10.1007/s00521-023-08383-6]
30. [30]Nssibi M., Manita G., Korbaa O., Binary Giza pyramids construction for feature selection. Procedia Computer Science. 2021;192: 676-87. doi:10.1016/j.procs.2021.08.070 [DOI:10.1016/j.procs.2021.08.070]
31. [31]Zhou H., X. Wang, and R. Zhu, "Feature selection based on mutual information with correlation coefficient. Applied intelligence. 2022; 52(5):5457-74. doi:10.1007/s10489-021-02524-x [DOI:10.1007/s10489-021-02524-x]
32. [32]Wang Z., Li M., Li J., A multi-objective evolutionary algorithm for feature selection based on mutual information with a new redundancy measure. Information Sciences. 2015;(307):73-88. doi:10.1016/j.ins.2015.02.031 [DOI:10.1016/j.ins.2015.02.031]
33. [33]H. L. Xie, Jie; Jatkoe, Tim; Hatzis, Christos, Gene Expression Profiles of Breast Cancer. Mendeley Data. 2017;1: doi:10.17632/v3cc2p38hb.1.
34. [34]Singh K., Shastri S., Kumar S., Mansotra V., BC-Net: Early Diagnostics of Breast Cancer Using Nested Ensemble Technique of Machine Learning. Automatic Control and Computer Sciences. 2023;57(6):646-59. doi:10.3103/S0146411623060093 [DOI:10.3103/S0146411623060093]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
