Iranian Journal of Breast Diseases

fa تشخیص نوع سرطان پستان با استفاده از انتخاب ژن‌های موثر از داده‌های ریزآرایه Diagnosis of Breast Cancer Subtypes using the Selection of Effective Genes from Microarray Data پژوهشي Research <div style="text-align: justify;">مقدمه: تشخیص زودهنگام سرطان پستان و ژن‌های موثر در آن نقش بسیار کلیدی در درمان و حیات بیمار ایفا می‌کند. با استفاده ازداده‌های بیان ژن استخراج شده از فناوری ریزآرایه و الگوریتم‌های یادگیری ماشین می‌توان روش‌های نوین و هوشمندی درنظام سلامت و درمان ارایه داد که با دقت بالایی قادر به تشخیص سرطان پستان باشند. روش بررسی: داده‌های استفاده شده در این پژوهش، شامل داده‌های بیان9216 ژن مربوط به 84 بیمار در 5 نوع مختلف سرطان است که با استفاده از فناوری ریزآرایه به دست آمده است. در این مطالعه برای افزایش کارایی سیستم‌های تشخیص سرطان پستان، روش انتخاب ویژگی مبتنی بر ارتباط بین بیان غیرنرمال ژن و سرطان ارایه شده است. سپس از سه دسته‌بند پرکاربرد و رایج K- نزدیک‌ترین همسایه (KNN)، ماشین بردار پشتیبان (SVM) و بیزی ساده (NB) برای سنجش کارایی ژن‌های انتخاب شده استفاده شد.  یافته‌ها: بررسی‌های انجام شده نشان دادند که با روش انتخاب ویژگی پیشنهادی و با استفاده از دسته‌بند KNN می‌توان فقط با انتخاب 38 ژن از میان 9216 ژن مربوط به داده‌های بیماران سرطانی که با استفاده از فناوری ریزآرایه به دست آمده است، انواع سرطان پستان بیماران در داده‌های آزمایش را با دقت 100% تشخیص داد و ژن‌های مرتبط با هر کلاس را نیز تفکیک کرد. همچنین با استفاده از دسته‌بند NB، دقت 90% با 17 ژن و با دسته‌بند SVM، دقت 67/96% با 22 ژن انتخابی به‌دست آمد. نتیجه‌گیری: نتایج این مطالعه نشان دادند که روش انتخاب ویژگی پیشنهادی، با در نظر گرفتن همزمان دو معیار دقت و تعداد ژن انتخابی، عملکرد مناسبی نسبت به سایر روش‌ها دارد. توانایی تفکیک ژن‌های موثر در هر کلاس سرطان، به‌علاوه تشخیص بیان بیشتر از حد یا کمتر از حد ژن‌های انتخابی، از خصوصیات ویژه روش پیشنهادی است که می‌تواند مورد استفاده متخصصین و پژوهشگران حوزه درمان و مراقبت قرار گیرد.</div> <div style="text-align: justify;">Introduction: Early diagnosis of breast cancer and the identification of effective genes are important issues in the treatment and survival of the patients. Gene expression data obtained using DNA microarray in combination with machine learning algorithms can provide new and intelligent methods for diagnosis of breast cancer. Methods: Data on the expression of 9216 genes from 84 patients across 5 different types of cancer was obtained using microarray technology. In this study, we proposed a feature selection method based on the correlation between abnormal expression of genes and cancer for diagnosis of breast cancer. Then, we used K-nearest neighbor (KNN), support vector machine (SVM), and naive Bayesian (NB) classifiers to evaluate the performance of the proposed method in the selection of relevant genes. Results: The proposed feature selection method coupled with the KNN classifier predicted all types of cancer with 100% accuracy and using 38 of the 9216 genes. The proposed method could also identify the genes associated with each class. Moreover, the proposed feature selection method coupled with NB and SVM classifiers achieved accuracy rates of 90% and 96.67% using 17 and 22 genes, respectively. Conclusion: The results of this study demonstrated that the proposed feature selection method has better performance compared with other methods. The proposed method is able to distinguish the genes involved in each cancer class and detect overexpression or underexpression of selected genes, which can be used by physicians and researchers in the field of health care.</div> سرطان پستان, انتخاب ویژگی, داده‌های ریزآرایه, دسته‌بندی Breast Cancer, Feature Selection, Microarray Data, Classification 39 47 http://ijbd.ir/browse.php?a_code=A-10-728-1&slc_lang=fa&sid=1 Abolfazl Tabatabaei ابوالفضل طباطبایی tabatabaie_a@yahoo.com 00031947532846008632 00031947532846008632 No Computer Engineering Department, Faculty of Engineering, Yazd University, Yazd, Iran گروه مهندسی کامپیوتر، پردیس فنی و مهندسی، دانشگاه یزد، یزد، ایران Vali Derhami ولی درهمی vderhami@yazd.ac.ir 00031947532846008633 00031947532846008633 Yes Computer Engineering Department, Faculty of Engineering, Yazd University, Yazd, Iran گروه مهندسی کامپیوتر، پردیس فنی و مهندسی، دانشگاه یزد، یزد، ایران Razieh Sheikhpour راضیه شیخ پور r_sheikhpour@yahoo.com 00031947532846008634 00031947532846008634 No Department of Computer Engineering, Faculty of Engineering, Ardakan University, Ardakan, Iran گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه اردکان، اردکان، ایران Mohammad Reza Pajoohan محمدرضا پژوهان pajoohan@yazd.ac.ir 00031947532846008635 00031947532846008635 No Computer Engineering Department, Faculty of Engineering, Yazd University, Yazd, Iran گروه مهندسی کامپیوتر، پردیس فنی و مهندسی، دانشگاه یزد، یزد، ایران