این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشکده پزشکی اصفهان، جلد ۳۲، شماره ۲۹۲، صفحات ۱۰۲۸-۱۰۳۵
عنوان فارسی مقایسه‌ی عملکرد طبقه‌بندی کننده‌های مختلف در پیشگویی متاستاز سرطان سینه با استفاده از میکرو آرایه
چکیده فارسی مقاله مقدمه: هدف از این تحقیق، دستیابی به یک روش قابل اعتماد برای پیشگویی متاستاز در مبتلایان به سرطان سینه بود. روش‌ها: در این مطالعه از آنالیز میکرو آرایه‌ی DNA مربوط به تومور سینه در 78 بیمار جوان با شرایط یکسان (34 نفر با متاستاز و 44 نفر بدون متاستاز) استفاده و تلاش شد تا با مقایسه‌ی عملکرد چند طبقه‌بندی کننده‌ی مطرح روی بیان ژن‌های آن‌ها، یک سیستم پیشگویی قوی برای متاستاز به دست آید. برای این امر، طبقه‌بندی کننده‌های SWLDA (Stepwise linear discriminate analysis)، ماشین بردار پشتیبان (SVM یا Support vector machine) و K نزدیک‌ترین همسایه (KNN یا K-Nearest Neighbours) با استفاده از روش LOO (Leave one out) بر روی 231 ژن انتخابی به کار برده شد تا این نمونه‌ها را به دو گروه با و بدون متاستاز تفکیک کنند. یافته‌ها: روش ماشین بردار پشتیبان با کرنل خطی از نظر میزان صحت، Sensitivity و Specificity بهترین روش است. ماشین بردار پشتیبان با استفاده از کرنل خطی توانست با Sensitivity بیش از 84 درصد و Specificity نزدیک به 82 درصد به تفکیک دادگان بپردازد. نتیجه‌گیری: در مورد روش SWLDA، مزیتی که وجود دارد این است که این طبقه‌بندی کننده قبل از دسته‌بندی از یک مرحله‌ی انتخاب ویژگی بهره می‌برد که این مسأله پیچیدگی تابع تصمیم‌گیری را کمتر و تعمیم پذیری طبقه‌بندی کننده را بیشتر می‌کند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Comparison of Different Classifiers for Prediction of Breast Cancer Metastasis in Microarray Analysis
چکیده انگلیسی مقاله Background: In this research, we investigated the performance of some different classifiers for prediction of metastasis in breast cancer. Methods: We used the DNA microarrays of primary breast tumors of 78 young patients. Among these patients, 34 had developed distant metastases within 5 years (poor prognosis group) and 44 formed good prognosis group. For analysis, we applied three different classifiers including support vector machine (SVM), stepwise linear discriminant analysis (SWLDA) and K-nearest neighbors (KNN) classifier. Each of these classifiers used 231 selected genes as an input feature vector and their performances were estimated via using leave one out (LOO) method to classify patients into two groups namely, good and poor prognosis. Findings: The best results were obtained by support vector machine with linear kernel. This classifier achieved a sensitivity and specificity of 84% and 82%, respectively, for metastasis prediction. Conclusion: Our findings provide a strategy to specify patients who would benefit from adjuvant therapy.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله زهرا امینی | zahra amini
دانشجوی دکتری، گروه مهندسی پزشکی، دانشکده ی فناوری های نوین، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی اصفهان (Isfahan university of medical sciences)

علیرضا مهری دهنوی | alireza mehri dehnavi
دانشیار، گروه مهندسی پزشکی- بیوالکتریک، گروه مهندسی پزشکی، دانشکده ی فناوری های نوین، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی اصفهان (Isfahan university of medical sciences)

نشانی اینترنتی http://jims.mui.ac.ir/index.php/jims/article/view/3352
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/103/article-103-317948.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات