مقدمه: تشخیص به‌موقع سرطان پستان به‌طور چشمگیری مرگ­ومیر ناشی از آن را در جامعه زنان کاهش می‌دهد. آزمایش آسپیراسیون سوزنی (FNA) روشی ساده، ارزان و غیرتهاجمی برای تشخیص دقیق و زودهنگام این سرطان است که امروزه تلاش می­شود به‌صورت هوشمند و ماشینی انجام گیرد.

روش بررسی­: مراحل ایجاد یک سیستم هوشمند برای تشخیص سرطان پستان عبارت‌اند از: ثبت تصاویر میکروسکوپیک از نمونه FNA، استخراج ویژگی­های عددی از این تصاویر، انتخاب ویژگی­های تفکیک­کننده و طراحی و آزمایش طبقه­بندی­کننده مناسب. در این تحقیق از ویژگی­های آماده پایگاه داده WDBC که شامل 569 نمونه FNA می­باشد، استفاده شد. برای انتخاب ویژگی روش جدیدی مبتنی بر الگوریتم بهینه­سازی ذرات دودویی (BPSO) ارائه شد و سرانجام تلفیقی از طبقه­بندی­کننده­های SVM برای کلاس­بندی نمونه­ها به‌کار گرفته شد.

یافته­ها: سیستم پیشنهادی با استفاده از 28 ویژگی در قالب 5 مدل SVM به دقت شناسایی 100% دست یافت. این سیستم از لحاظ دقت و تعداد ویژگی‌های مورد نیاز بر سیستم­های موجود برتری دارد.

نتیجه­گیری: این تحقیق با ارائه یک الگوریتم انتخاب ویژگی کارآمد موفق شده است دقت شناسایی سیستم­های تشخیص سرطان پستان را بهبود دهد. این در حالی است که نسبت به سیستم­های مشابه از تعداد کمتری ویژگی استفاده شده است. از دیگر مزیت­های انتخاب ویژگی این است که علاوه بر تشخیص کلی، تشخیص ناهنجاری­های ناشی از بیماری را نیز ممکن می­سازد.