fa تعیین مرحله بالینی بیماران مبتلا به سرطان پستان با استفاده از سیستم TNM و الگوریتم کلونی مورچگان بیماریهای پستان Breast Diseases پژوهشي Research <div style="text-align: justify;"><span style="font-size:14px;"><span style="font-size:12px;"><span style="font-family:tahoma;"><strong>مقدمه: </strong>میزان پیشرفت سرطان پستان (مرحله،<span dir="LTR">Staging </span>)، یکی از مهم&rlm; ترین عوامل تعیین کننده میزان بقای فرد بیمار و انتخاب روش&rlm;های درمانی مناسب توسط پزشکان است. معمولا تعیین پیشرفت سرطان پستان، پس از عمل جراحی و از طریق ارزیابی بافت شناسی انجام می &rlm;شود. از این رو یافتن الگوریتم مناسبی که بتواند میزان پیشرفت و همچنین مرحله (<span dir="LTR">Staging</span>) سرطان پستان را تعیین کند، به پزشکان در ارایه روش&rlm; های درمانی مناسب کمک فراوانی خواهد کرد. لذا در این پژوهش تلاش شده است تا با استفاده از تکنیک&rlm; های داده &rlm;کاوی، یک مدل قوی پیش &rlm;بینی مرحله سرطان پستان معرفی گردد.<br> <strong>روش بررسی</strong><strong>:</strong> در این پژوهش، یک مدل مکانیزه با استفاده از سیستم <span dir="LTR">TNM</span> و همچنین استفاده از الگوریتم کلونی مورچگان، برای تشخیص مرحله سرطان پستان، پیشنهاد شده است. این روش&rlm; ها به دلیل عدم نیاز به عمل جراحی، باعث کاهش زیاد هزینه&rlm; ها و آسیب&rlm; های روحی بیمار می&rlm; شود. برای ارزیابی سیستم، از دیتاست بین&rlm;المللی <span dir="LTR">SEER</span> و &nbsp;یک دیتاست محلی از اطلاعات 1148 بیمار زن مبتلا به سرطان پستان، استفاده شد و دو معیار &laquo;دقت&raquo; و &laquo;سطح زیر نمودار راک&raquo; برای طبقه بندی های مختلف محاسبه گردید.<br> <strong>یافته &rlm;ها:</strong> با استفاده از سیستم <span dir="LTR">TNM</span> برای دیتاست <span dir="LTR">SEER</span>، دقت 93/99% و برای دیتاست محلی، دقت 91/99% و با استفاده از الگوریتم کلونی مورچگان، برای دیتاست <span dir="LTR">SEER</span> دقت 43/99% و برای دیتاست محلی، دقت 95/98% بدست آمد. همچنین مشخص گردید علاوه بر ویژگی&rlm; های مورد استفاده مرسوم <span dir="LTR">T</span> ، <span dir="LTR">N</span> و <span dir="LTR">M</span>، ویژگی&rlm; های دیگری همچون تهاجم عروقی، سن بیمار، گروه خونی، تعدا فرزندان، محل تولد، بافت شناسی سلولی، نوع بافت درگیر و <span dir="LTR">Site-Specific Factor</span> های شماره 2 ، 3 و 6 نیز می&rlm; توانند به عنوان عوامل مهم در تعیین مرحله بالینی بیماران مبتلا به سرطان پستان استفاده شوند.<br> <strong>نتیجه&rlm; گیری: </strong>بر اساس نتایج حاصل، دو طبقه &rlm;بند <span dir="LTR">Logistic</span> و <span dir="LTR">Multi Class Classifier</span> به ترتیب دارای بالاترین میزان دقت برای دیتاست&rlm; های <span dir="LTR">SEER</span> و محلی این پژوهش هستند.</span></span></span></div> <div style="text-align: justify;"><strong>Introduction</strong>: Staging is one of the most important factors determining the survival of a patient suffering from breast cancer and plays a key role in choosing treatment modalities. The method of choice for cancer staging is surgery followed by histological evaluation. However, finding a predictive algorithm to replace surgery in the staging of breast cancer is both cost- and time-saving and helps physicians to provide appropriate therapeutic techniques. The present paper introduces a strong predictive model for breast cancer staging using data mining techniques.<br> <strong>Methods</strong>: We suggested a mechanized model based on the TNM staging system and the ant colony algorithm. This method would reduce the patient&rsquo;s mental stress and financial costs because it does not need a surgical operation. The SEER international dataset and a local data set of 1148 women with breast cancer were used to evaluate the system performance, and model accuracy and the area under the ROC curve were calculated for different classifications.<br> <strong>Results</strong>: Using the TNM system, the accuracy rates were 99.93% and 99.91% for the SEER international dataset and the local dataset, respectively. The accuracy rates were 99<span dir="RTL">.</span>43% and 98<span dir="RTL">.</span>95% for the SEER international dataset and local dataset, respectively, when the ant colony algorithm was applied. Our results indicated that in addition to commonly used features in the TNM system, other features such as vascular invasion, age, blood group, number of children, birthplace, histology, CS Extension, positive regional node, morphology, and Site-Specific Factors 2, 3, and 6 can be used as important factors for breast cancer staging.<br> <strong>Conclusion</strong>: Based on the results obtained, the two Logistic and Multi-Class Classifiers have the best accuracies for the SEER and local datasets in this study.</div> سرطان پستان, تشخیص مرحله, داده ‌کاوی, سیستم TNM, الگوریتم کلونی مورچگان Breast Cancer, Stage detection, Data mining, TNM system, Ant Colony Algorithm 55 70 http://ijbd.ir/browse.php?a_code=A-10-673-1&slc_lang=fa&sid=1 Mohammad Amin Shayegan محمدامین شایگان shayegan@iaushiraz.ac.ir 2295231965 00031947532846004044 Yes دانشگاه آزاد اسلامی واحد شیراز Saeideh Naseri سعیده ناصری نوروزانی mahsa_naseri432@yahoo.com 00031947532846004045 00031947532846004045 No دانشگاه آزاد اسلامی واحد شیراز