پیش بینی بقای سرطان سینه به کمک شبکه یادگیری عمیق و داده های چند وجهی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد، گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه عالی شاهرود (غیر انتفاعی)، شاهرود، ایران.

2 استادیار، گروه کامپیوتر، دانشکده فنی و مهندسی، واحد شاهرود، دانشگاه ازاد اسلامی ، شاهرود، ایران

چکیده

سرطان سینه به‌عنوان یکی از سرطان‌های رایج و مهم، نقش بسزایی در افزایش نرخ مرگ و میر در زنان دارد. در حال حاضر، داده‌های چندوجهی مرتبط با سرطان، از جمله جزئیات ژنومی، تصاویر ماموگرافی و اطلاعات بالینی، در دسترس قرار گرفته است که این امر باعث شده تا توجه بیشتری به توسعه مدل‌های پیشرفته یادگیری عمیق برای پیش‌بینی بقای سرطان سینه شود. در این تحقیق، یک مدل یادگیری عمیق مبتنی بر شبکه‌های عصبی پیچشی با استفاده از داده‌های چندوجهی برای پیش‌بینی بقای سرطان سینه پیشنهاد می‌شود که ویژگی‌های مهمی را برای افزایش دقت این پیش‌بینی تولید می‌کند. روش پیشنهادی دارای دو فاز است؛ در فاز اول از یک شبکه عصبی پیچشی برای استخراج ویژگی‌های موثر استفاده می‌شود و در فاز دوم، این ویژگی‌ها، برای انجام فرآیند پیش‌بینی بقای سرطان سینه به کار گرفته می‌شوند. نتایج آزمایشات نشان داد که در حالتی که از داده های بالینی استفاده گردید دقت روش پیشنهادی 34/98 حاصل گردید و در حالت بدون استفاده از این داده ها دقت 21/97 حاصل گردید که حاکی از این است مدل پیشنهادی این تحقیق نسبت به مدل‌های مقایسه‌شده، بهبود قابل توجهی داشته است. به‌علاوه، نتایج نشان می‌دهند که استفاده از داده‌های بالینی در ارتقاء دقت و عملکرد مدل پیشنهادی مؤثر می‌باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Prediction of breast cancer survival using deep learning network and multivariate data

نویسندگان [English]

  • Fateme Jalali 1
  • Mohammadmehdi Hosseini 2
1 Department of Engineering, Shahrood Institute of Higher Education (non-profit), Shahrood, Iran
2 Assistant Professor, Computer Department, Technical and Engineering Faculty, Shahrood Branch, Islamic Azad University, Shahrood, Iran
چکیده [English]

Breast cancer, as one of the most common and significant cancers, plays a major role in increasing mortality rates among women. Currently, multi-modal cancer-related data, including genomic details, mammography images, and clinical information, are available, which has led to increased focus on developing advanced deep-learning models for predicting breast cancer survival. This study proposes a deep learning model based on convolutional neural networks (CNN) for predicting breast cancer survival using multi-modal data. This model extracts crucial features to enhance prediction accuracy. The proposed method comprises two phases: in the first phase, a CNN is used to extract effective features, and in the second phase, these features are employed to predict breast cancer survival. The experimental results demonstrated that the proposed method achieved an accuracy of 98.34% when clinical data were utilized, and 97.21% without clinical data. This indicates that the proposed model significantly outperforms the compared models. Moreover, the results show that incorporating clinical data is instrumental in improving the accuracy and performance of the proposed model.

کلیدواژه‌ها [English]

  • Breast cancer
  • mammography
  • breast cancer survival prediction
  • deep learning
  • convolutional neural network (CNN)

مراجع

  1. Moncada-Torres A, van Maaren MC, Hendriks MP, Siesling S, Geleijnse G. Explainable machine learning can outperform Cox regression predictions and provide insights in breast cancer survival. Sci Rep. 2021;11(1):6968. 
  2. Li J, Zhou Z, Dong J, et al. Predicting breast cancer 5-year survival using machine learning: A systematic review. PLoS One. 2021;16(4):e0250370. 
  3. Okagbue HI, Adamu PI, Oguntunde PE, et al. Machine learning prediction of breast cancer survival using age, sex, length of stay, mode of diagnosis and location of cancer. Health Technol. 2021; 11, 887–893.
  4. Gupta S, Manoj KG. A comparative analysis of deep learning approaches for predicting breast cancer survivability. Archives of Computational Methods in Engineering. 2022; 29(5): 2959-2975.
  5. Xu Y, Peng Y, Shen M, et al. Construction and Validation of Angiogenesis-Related Prognostic Risk Signature to Facilitate Survival Prediction and Biomarker Excavation of Breast Cancer Patients. J Oncol. 2022;2022:1525245. 
  6. Ravale U, Yashashree B. Breast Cancer Prediction Using Different Machine Learning Algorithm. In Sentiment Analysis and Deep Learning. 2023; 493-502.
  7. Zhang J, Guihong L, Zili D, Fuchuan X, Ronghui Z, Benchao Y, Liyi G. Novel RNA N6-methyladenosine regulator related signature for predicting clinical and immunological characteristics in breast cancer.2023; (2023): 147095.
  8. Kai z, Di S, Li S, Liang X, Zhai Y, Chen J, Ouyang K, Cappello F, Chen Z. FT-CNN: Algorithm-based fault tolerance for convolutional neural networks. IEEE Transactions on Parallel and Distributed Systems. 2020; 32(7): 1677-1689.
  9. VirenViraj S, Kumar V, Devagade U, Karanth V. Heart disease prediction using CNN algorithm. SN Computer Science.2020; 1 (3): 1-8.
  10. Shawarib, Mohammed Ziyad Abu, Ahmed Essam Abdel Latif, Bashir Essam El-Din Al-Zatmah, and Samy S. Abu-Naser. Breast Cancer Diagnosis and Survival Prediction Using JNN. International Journal of Engineering and Information Systems (IJEAIS). 2020; 4(10).
  11. Dhillon, Arwinder, and Ashima Singh. eBreCaP: extreme learning‐based model for breast cancer survival prediction. IET Systems Biology. 2020; 14(3): 160-169.
  12. Serhat S, Kursuncu U, Kibis E, AnisAbdellatif M. A hybrid data mining approach for identifying the temporal effects of variables associated with breast cancer survival. Expert Systems with Applications. 2020; 139: 112863.
  13. Mohammad Nazmul H, Tazin T, Monirujjaman Khan M, Faisal S, Md Ibraheem S, Algethami H. Predicting Characteristics Associated with Breast Cancer Survival Using Multiple Machine Learning Approaches. Computational and Mathematical Methods in Medicine. 2022.
  14. Parampreet K, Singh A, Chana I. BSense: A parallel Bayesian hyperparameter optimized Stacked ensemble model for breast cancer survival prediction. Journal of Computational Science 60. 2020; 101570.
  15. Ruiqing L, Wu X, Ao Li, Wang M. HFBSurv: hierarchical multimodal fusion with factorized bilinear models for cancer survival prediction. Bioinformatics. 2022; 38( 9):2587-2594.
  16. Reza R, Ayyoubzadeh SM, Sohrabei S, Esmaeili M, Atashi A. Prediction of Breast Cancer using Machine Learning Approaches. Journal of Biomedical Physics and Engineering. 2022; 12( 3): 297-308.
  17. Sonam Jawahar S, Rajaraman R, Verlekar T. Breast Cancer Prediction Using Auto-Encoders. In International Conference on Data Management, Analytics & Innovation. 2023; 121-132.
  18. Ogier du Terrail J, Leopold A, Joly C, et al. Federated learning for predicting histological response to neoadjuvant chemotherapy in triple-negative breast cancer. Nat Med. 2023;29(1):135-146.
  19. Botlagunta M, Botlagunta MD, Myneni MB, et al. Classification and diagnostic prediction of breast cancer metastasis on clinical data using machine learning algorithms. Sci Rep. 2023;13(1):485.
  20. Singh D, Nigam R, Mittal R, et al. Information retrieval using machine learning from breast cancer diagnosis. Multimed Tools Appl. 2023; 82, 8581–8602.
مجله دانشکده پزشکی دانشگاه علوم پزشکی مشهد
دوره 68، شماره 2
خرداد-تیر1404
خرداد و تیر 1404
صفحه 169-184

فایل ها

هم رسانی

ارجاع به این مقاله

آمار