fa پیش‌بینی بقاء بیماران مبتلا به سرطان ریه با استفاده از سیستم استنتاج عصبی- فازی تطبیقی بهبودیافته داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:Tahoma;"><strong><span style="color:black;">مقدمه:</span></strong><span style="color:black;"> سرطان ریه منبع اصلی مرگ‌ومیر برای مردان و زنان در سراسر جهان می‌باشد. بیماری ریه توسعه و رشد غیرقابل‌کنترل سلول‌ها در یک یا هر دو ریه می‌باشد. تشخیص زودرس سرطان آسان نیست؛ اما اگر سریع تشخیص داده شود، قابل‌درمان است. هدف از این مطالعه، ساخت مدل بهینه پیش‌بینی کننده بقاء بیماران مبتلابه سرطان ریه بر اساس ویژگی‌های بیماران با رویکرد داده‌کاوی می‌باشد.</span><span dir="LTR"><span style="color:black;"></span></span><br> <strong><span style="color:black;">روش:</span></strong><span style="color:black;"> در این مطالعه توصیفی- کاربردی، از الگوریتم سیستم استنتاج عصبی فازی تطبیقی</span><span dir="LTR"><span style="color:black;"><span style="font-size:11.0pt;">ANFIS</span></span></span> <span style="color:black;">&nbsp;و الگوریتم بهینه</span><span style="color:black;">‌</span><span style="color:black;">سازی ازدحام ذرات </span><span dir="LTR"><span style="color:black;"><span style="font-size:11.0pt;">PSO</span></span></span> <span style="color:black;">برای پیش‌بینی بقاء بیماران مبتلابه سرطان ریه استفاده شد. در این مطالعه، از پایگاه داده معتبر برنامه‌ نظارت، اپیدمی‌شناسی و نتایج نهایی </span><span dir="LTR"><span style="color:black;"><span style="font-size:11.0pt;">SEER</span></span></span> <span style="color:black;">دانشگاه لوییزول آمریکا استفاده‌ شد. برای ارزیابی روش پیشنهادی از معیارهای دقت،&nbsp; صحت، خطا و جذر خطای میانگین مربعات استفاده شد.</span><span style="font-family:B Mitra;"></span><br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> نتایج نهایی به‌ دست‌آمده در این مطالعه نشان‌دهنده برتری روش بهینه‌سازی <span dir="LTR"><span style="font-size:11.0pt;">ANFIS</span></span> با الگوریتم <span dir="LTR"><span style="font-size:11.0pt;">PSO</span></span> نسبت به سایر روش‌ها، در راستای پیش‌بینی بقاء بیماران مبتلابه سرطان ریه با متوسط صحت برابر 99/80% برای بقاء یک‌ساله، 99/74%&nbsp; برای بقاء دوساله و 99/66%&nbsp; برای بقا پنج‌ساله بر روی مجموعه داده <span dir="LTR"><span style="font-size:11.0pt;">SEER</span></span> بود.<span dir="LTR"></span><br> <strong>نتیجه &shy;گیری:</strong> استفاده از مدل بهینه‌سازی شده <span dir="LTR"><span style="font-size:11.0pt;">ANFIS</span></span> با الگوریتم <span dir="LTR"><span style="font-size:11.0pt;">PSO</span></span> در پیش‌بینی بقاء بیماران مبتلا به سرطان ریه بسیار قدرتمند است. مدل پیشنهادی نسبت به سایر مدل‌های مورد مقایسه دارای&nbsp; بیشترین صحت، دقت و کمترین میزان خطا بوده است؛ بنابراین به‌کارگیری ایـن مـدل درزمینه پیش‌بینی بقا پیشنهاد می‌شود.<span dir="LTR"></span></span></div> <div style="text-align: justify;"><span style="font-family:Tahoma;"><strong>Introduction:</strong> Lung cancer is the main cause of mortality in both genders worldwide. This disease is caused by the uncontrollable growth and development of cells in both or one of the lungs. Although the early diagnosis of this cancer is not an easy task, the earlier it is diagnosed, the higher will be the chance of treating. The objective of this study was to develop an optimized prediction model of the survival of patients with lung cancer based on patients&rsquo; characteristics through data mining approach.<br> <strong>Method:</strong> In this applied-descriptive study, the Adaptive Neuro-Fuzzy Inference System (ANFIS) algorithm and the Particle Swarm Optimization (PSO) algorithm were applied to predict the survival rate of patients with lung cancer. The Surveillance, Epidemiology and End-Results (SEER) database of Louisville University, USA was also utilized. The evaluation of this proposed model was conducted based on certain criteria including accuracy, precision, error and root-mean-square error.<br> <strong>Results:</strong> The obtained finding indicate the outperformance of ANFIS through PSO algorithm vs. its counterparts in this context with a 99.80 accuracy for one-year survival, 99.74% for two-years and 99.66% for five-years on SEER dataset.<br> <strong>Conclusion:</strong> Applying ANFIS through PSO in predicting the survival of patients with lung cancer is a strong measure. Compared with other models, this newly proposed model was of the highest accuracy and precision and of the lowest error rate. Therefore, it is suggested to apply this model for predicting survival of patient.</span></div> داده‌کاوی, پیش‌بینی بقا , سرطان ریه, نرخ بقاء Data Mining, Survival Prediction, Lung Cancer, Survival Rate 20 29 http://jhbmi.ir/browse.php?a_code=A-10-628-1&slc_lang=fa&sid=1 Ommolbanin Abbasi ام البنین عباسی daryaes2014@gmail.com 10031947532846005985 10031947532846005985 No M.Sc. Student in Computer Engineering, Department of Computer Engineering, Mobarakeh Branch, Islamic Azad University, Isfahan, Iran دانشجوی کارشناسی ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، واحد مبارکه، دانشگاه آزاد اسلامی، اصفهان، ایران Mohammadreza Ramezanpour محمدرضا رمضان پور mr.ramezanpoor@gmail.com 10031947532846005986 10031947532846005986 Yes Assistant Professor, Department of Computer Engineering, Mobarakeh Branch, Islamic Azad University, Isfahan, Iran استادیار، گروه مهندسی کامپیوتر، واحد مبارکه، دانشگاه آزاد اسلامی، اصفهان، ایران Reihaneh Khorsand ریحانه خورسند r.khorsand@iauda.ac.ir 10031947532846005987 10031947532846005987 No Assistant Professor, Department of Computer Engineering, Dolatabad Branch, Islamic Azad University, Isfahan, Iran استادیار، گروه مهندسی کامپیوتر، واحد دولت آباد، دانشگاه آزاد اسلامی، اصفهان، ایران