fa ارائه یک الگوریتم برای پیش بینی عود بیماران مبتلا به سرطان پستان با استفاده از الگوریتم ژنتیک و الگوریتم نزدیک ترین همسایگی داده کاوی Data Mining پژوهشي اصیل Original Article <div style="direction: rtl; text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color:black;">مقدمه:</span></strong><span style="color:black;"> بیماری سرطان پستان یکی از شایع</span><span style="color:black;">‌</span><span style="color:black;">ترین انواع سرطان و شایع</span><span style="color:black;">‌</span><span style="color:black;">ترین نوع بدخیمی در زنان است که در سال</span><span style="color:black;">‌</span><span style="color:black;">های اخیر روند رو به رشدی داشته است. در مبتلایان به این بیماری همواره احتمال عود مجدد وجود دارد. عوامل زیادی میزان این احتمال را کاهش یا افزایش می</span><span style="color:black;">‌</span><span style="color:black;">دهند. داده</span><span style="color:black;">‌</span><span style="color:black;">کاوی از روش</span><span style="color:black;">‌</span><span style="color:black;">هایی است که در تشخیص یا پیش</span><span style="color:black;">‌</span><span style="color:black;">بینی سرطان‌ها به کار می</span><span style="color:black;">‌</span><span style="color:black;">رود و یکی از بیشترین کاربردهای آن، پیش‌بینی عود مجدد سرطان پستان است.</span><br> <strong><span style="color:black;">روش:</span></strong><span style="color:black;"> در این مطالعه</span> <span style="color:black;">گذشته&shy;نگر از داده&shy;های 699 بیمار مبتلا به سرطان پستان با 14 ویژگی استفاده &shy;شد که از این تعداد</span> 458 نفر (66 درصد) سرطان آن‌ها عود نکرد و 241 نفر (34 درصد) سرطان آن&shy;ها عود کرده است. این اطلاعات از سال 1391 تا 1394 از پرونده بیماران سرطان پستان جهاد دانشگاهی جمع&shy;آوری شد. در این پژوهش از ترکیب دو الگوریتم نزدیک&shy;ترین همسایگی و الگوریتم ژنتیک برای پیش&shy;بینی عود بیماران مبتلا به سرطان پستان استفاده گردید. ابتدا الگوریتم نزدیک‌ترین همسایگی برای پیش&shy;بینی عود سرطان پستان ارائه شد سپس به کمک الگوریتم ژنتیک متغیرهای وابسته کاهش یافت تا مدل صحت مناسب&shy;تری داشته باشد.<br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> تعداد متغیرهای وابسته 14 متغیر بود که به کمک الگوریتم ژنتیک به 6 متغیر کاهش پیدا نمود تا مدل پیش‌بینی کارایی بهتری داشته باشد. جهت ارزیابی مدل از پارامتر صحت استفاده شد که مقدار آن برای مدل پیشنهادی 14/77 درصد است که نسبت به روش‌های دیگر خروجی مناسب‌تری دارد.<br> <strong>نتیجه&shy; گیری:</strong> در این مطالعه الگوریتم پیشنهادی با روش‌های دیگر پیش‌بینی مورد بررسی قرار گرفت و مشخص گردید الگوریتم پیشنهادی دارای صحت بهتر است.</span><br> &nbsp;</div> Introduction: Breast cancer is one of the most common types of cancer and the most common type of malignancy in women, which has been growing in recent years. Patients with this disease have a chance of recurrence. Many factors reduce or increase this probability. Data mining is one of the methods used to detect or anticipate cancers, and one of its most common uses is to predict the recurrence of breast cancer.<br> Cases and Methods: Out of 699 patients with breast cancer, 458 (66%) of them did not relapse and 241 (34%) of their cancer recurred. This information was collected from 91 to 94 years of history of patients with breast cancer in the academic Jihad. In this study, the combination of two nearest neighboring algorithms and a genetic algorithm are proposed to predict the relapse of patients with breast cancer. First, the nearest neighboring algorithm is presented to predict the recurrence of breast cancer. Then, using the genetic algorithm, the dependent variables are reduced to make the model more appropriate.<br> Results: The number of dependent variables is 14 variables, which is reduced by 6 genetic algorithms to better predict the model. To evaluate the model, the health parameter is used, which is 77.14% for the proposed model, which could not be more suitable for other methods.<br> Conclusion: In this study, the proposed algorithm was examined with other predictive methods and it was determined that the proposed algorithm is better. عود سرطان پستان, الگوریتم ژنتیک, الگوریتم نزدیک‌ترین همسایگی Breast Cancer Recurrence, Genetic Algorithm, Nearest Neighbor Algorithm 309 319 http://jhbmi.ir/browse.php?a_code=A-10-412-1&slc_lang=fa&sid=1 Setayesh Sadeghi ستایش صادقی angel.secret2020@gmail.com 10031947532846006005 10031947532846006005 No M.Sc. in Computer Engineering, Computer Engineering Dept., Islamic Azad University, Kerman, Iran کارشناسی ارشد‌،‌ مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد کرمان، کرمان، ‌ایران Amin Golabpour امین گلاب پور a.golabpour@shmu.ac.ir 10031947532846006006 10031947532846006006 Yes Ph.D. in Medical Informatics, Assistant Professor, Shahroud University of Medical Sciences, School of Paramedical, Shahroud, Iran دکتری تخصصی انفورماتیک پزشکی، استادیار، دانشگاه علوم پزشکی شاهرود، دانشکده پیراپزشکی، شاهرود، ایران