fa ارزیابی تأثیر انتخاب ویژگی و توابع کرنل مختلف در عملکرد SVM برای تشخیص سرطان پستان داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="color:#000000;"><span style="font-family:Tahoma;"><strong>مقدمه:</strong> سرطان پستان یکی از رایج ترین سرطان ها در میان زنان است. در تصاویر ماموگرافی، تشخیص تومورهای خوش خیم از بدخیم به دلیل شباهت ساختاری کاری دشوار و زمان بر است. یادگیری ماشین یک شاخه از هوش مصنوعی است که میتواند به صورت ابزاری کمکی در کنار پزشک قرار گیرد و آنها را در تصمیم گیری یاری کند. ماشین بردار پشتیبان SVM یکی از رایج ترین روش های یادگیری ماشین است که عملکرد آن به نوع تابع کرنل و ویژگی های ورودی وابسته است. هدف این مطالعه، بررسی تأثیر انتخاب ویژگی و توابع کرنل مختلف در عملکرد SVM میباشد.<br> <strong>روش:</strong> این مطالعه از نوع تحلیلی بود و با روش مقایسه ای انجام گرفت. انتخاب بهترین ویژگی ها توسط الگوریتم ژنتیک انجام شد. سپس SVM با توابع کرنلی مختلف شامل چندجمله ای، خطی، توابع شعاعی پایه، درجه دو و پرسپترون چندلایه ابتدا با تمام ویژگیها و سپس با ویژگیهای منتخب آموزش و ارزیابی شد. به منظور ارزیابی عملکرد طبقه بندها از مجموعه داده سرطان پستان ویسکانسین و پیاده سازی مدل ها در متلب انجام شد.<br> <strong>نتایج:</strong> نتایج نشان داد که بعد از انتخاب ویژگی عملکرد SVM با تابع کرنل پرسپترون چندلایه کاهش و با تابع کرنل درجه دو افزایش یافت. با این حال، عملکرد توابع کرنل خطی و تابع شعاعی پایه در هر دو حالت مطلوب بود. به طور کلی، بعد از کاهش بعد، بهترین مقدار دقت، ویژگی، حساسیت و صحت به ترتیب به میزان 0/663 ،0/833 ،1/077 و 0/138 درصد کاهش یافت.<br> <strong>نتیجه گیری:</strong> روش های مبتنی بر تکنیک های یادگیری ماشین می توانند پزشکان را در تصمیم گیری برای درمان یا تشخیص بیماری یاری کنند.</span></span></div> <div style="text-align: justify;"><span style="color:#000000;"><span style="font-family:Tahoma;"><strong>Introduction</strong>: Breast cancer is one of the most common cancers affecting women. In mammography, differentiating a malignant tumor from a benign one is a very tedious task due to their structural similarities. Machine Learning (ML) is a subfield of Artificial Intelligence that can be used as an effective tool to help physicians to make decisions. Support vector machine (SVM) is one of the most common ML techniques that its performance depends on kernel parameters tuning and input features. The aim of this study was to investigate the effect of feature selection and different kernel functions on SVM performance.<br> <strong>Methods</strong>: This analytic study was performed through comparative method. Genetic algorithm was used for feature selection. SVM models based on different kernel functions, including polynomial, Linear, Radial Basis Function (RBF), Quadratic and Multi-Layer Perceptron (MLP), were first performed with all features and then, with the selected features. The Wisconsin original breast cancer data set was used as a training set to evaluate the performance of the classifiers. All implementations were done in MATLAB environment.<br> <strong>Results</strong>: According to the obtained results, by applying feature selection, the performance of SVM with MLP kernel function decreased and with quadratic kernel function increased. However, the performances of the linear and RBF kernels were desirable in both conditions. Generally, after the dimension reduction, the best accuracy, specificity, sensitivity and accuracy were dropped by 0.663, 0.833, 1.077 and 0.138 percent respectively.<br> <strong>Conclusion</strong>: The ML-based methods can help physicians in diagnosis and decision makings for treatment.</span></span></div> یادگیری ماشین, کاهش بعد, سیستم‌های پشتیبان تصمیم بالینی, تشخیص زودهنگام سرطان Machine Learning, Dimension reduction, Clinical decision support systems, Early cancer diagnosis 244 251 http://jhbmi.ir/browse.php?a_code=A-10-382-1&slc_lang=fa&sid=1 Azam Orooji اعظم اروجی orooji_9898@yahoo.com 10031947532846005849 10031947532846005849 No PhD Student in Medical Informatics, Health Information Management Dept., School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran دانشجوی دکترای انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Mostafa Langarizadeh مصطفی لنگری زاده langarizadeh2001@yahoo.com 10031947532846005850 10031947532846005850 Yes PhD of Medical Informatics, Health Information Management Dept., School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran. دکترای تخصصی انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران