ارائه مدلی برای پیش بینی سرطان مزوتلیوما با استفاده از الگوریتمهای فراابتکاری
A model for predicting mesothelioma cancer using meta-heuristic algorithms
مجریان: سپیده پرویزپور
خلاصه روش اجرا: سرطان ریه عامل اصلی مرگ در مردان و دومین علت مرگ و میر در زنان می باشد. مزوتلیوما یکی از انواع اصلی سرطان های ریه می باشد که همیشه بدخیم است. بروز مزوتلیوما در کشورهای مختلف متفاوت می باشد، و سالانه جان هزاران نفر را در سراسر جهان می گیرد. تشخیص مزوتلیوما در بیماران اغلب با تکنیک های تصویربرداری پرهزینه، وقت گیر و بیوپسی نیاز دارد. یادگیری ماشین می تواند تشخیص مؤثرتر، ارزانتر و سریع تر بیمار را فراهم آورد. بالا بودن تعداد ویژگی داده های پزشکی یک موضوع چالش برانگیز در حوزه ی یادگیری ماشین به شمار می آید. تعداد ویژگی های زیاد، برای طبقه بندها مشکلاتی از قبیل افزایش هزینه محاسباتی و پیچیدگی زمانی را به دنبال دارد. هدف اصلی در این طرح تحقیقاتی کاربردی، ارائه مدلی برای پیش بینی بیماری سرطان ریه مزوتلیوما از طریق پیاده سازی یک الگوریتم محاسباتی بر روی دداه های بالینی می باشد. برای این منظور، ابتدا با استفاده از الگوریتمهای فراابتکاری ابعاد ویژگی های بالینی مورد نیاز کاهش داده شده و سپس، با استفاده از یک الگوریتم مبتنی بر درخت تصمیم ابتلا به بیماری مزوتلیوما پیش بینی می گردد. برای ارزیابی روش پیشنهادی، یک مطالعه مقایسهای بین روش پیشنهادی و تعدادی از تکنیکهای معرفیشده قبلی انجام خواهد گرفت.
اطلاعات کلی طرح 
| مرحله جاری طرح | خاتمه قرارداد و اجرا |
| کد طرح | 70123 |
| عنوان فارسی طرح | ارائه مدلی برای پیش بینی سرطان مزوتلیوما با استفاده از الگوریتمهای فراابتکاری |
| عنوان لاتین طرح | A model for predicting mesothelioma cancer using meta-heuristic algorithms |
| نوع طرح | طرح تحقیقاتی |
| اولویت طرح | اپیدمیولوژی، پیشگیری، تشخیص زودهنگام، درمان و بازتوانی در سرطانهای شایع |
| نوع مطالعه | طرح تحقیقاتی-پژوهشی |
| تحقیق در نظام سلامت | بلی |
| آیا طرح پایاننامه دانشجویی است؟ | خير |
| مقطع پایان نامه | |
| مدت اجرا - ماه | 16 |
| نوآوری و ضرورت انجام تحقیق | تشخیص مزوتلیوما در بیماران اغلب با تکنیک های تصویربرداری وقت گیر و بیوپسی نیاز دارد. یادگیری ماشین می تواند تشخیص مؤثرتر، ارزانتر و سریع تر بیمار را فراهم آورد. بالا بودن تعداد ویژگی داده های پزشکی یک موضوع چالش برانگیز در حوزه ی یادگیری ماشین به شمار می آید. تجزیه وتحلیل داده های تهیه شده برای پیش بینی بیماری نیاز به تکنیک های انتخاب ویژگی کارآمد دارد، زیرا این داده ها شامل تعداد زیادی ویژگی هستند. مسئله انتخاب ویژگی، یکی از مسائلی است که در مبحث یادگیری ماشین و همچنین شناسایی آماری الگو مطرح است. این مسئله در بسیاری از کاربردها (مانند طبقه بندی) اهمیت بسزایی دارد، زیرا در این کاربردها تعداد زیادی ویژگی وجود دارد که بسیاری از آنها یا بلااستفاده هستند و یا اینکه بار اطلاعاتی چندانی ندارند. حذف نکردن این ویژگی ها مشکلی ازلحاظ اطلاعاتی ایجاد نمی کند، ولی بار محاسباتی را برای کاربرد موردنظر بالا می برد. علاوه بر این باعث می شود که اطلاعات غیرمفید زیادی به همراه داده های مفید ذخیره شود. |
| اهداف اختصاصی | استخراج ویژگیهای مؤثر در پیش بینی بیماری مزوتلیوما -پیش بینی بیماری مزوتلیوما با استفاده از درخت تصمیم و بر اساس ویژگیهای انتخاب شده |
| چکیده انگلیسی طرح | Lung cancer is the leading cause of death in men and the second leading cause of death in women. Mesothelioma is a major type of lung cancer that is always malignant. The incidence of mesothelioma varies from country to country, and thousands of people die each year around the world. Diagnosis of mesothelioma in patients often requires time-consuming imaging techniques and biopsy. Machine learning can provide more effective, cheaper, and faster patient diagnoses. The high number of medical data features is a challenging issue in the field of machine learning. A large number of features leads to problems for classifiers such as increased computational cost and time complexity. The main purpose of this applied research project is to provide a model for predicting mesothelioma lung cancer by implementing a computational algorithm on clinical data. For this purpose, first, using meta-heuristic algorithms, the dimensions of required clinical features are reduced and then, using a tree-based algorithm, the decision to develop mesothelioma is predicted. To evaluate the proposed method, a comparative study will be performed between the proposed method and a number of previously introduced techniques. |
| کلمات کلیدی | مزوتلیوما: یکی از انواع اصلی سرطان های ریه می باشد که همیشه بدخیم است. بروز مزوتلیوما در کشورهای مختلف متفاوت می باشد، و سالانه جان هزاران نفر را در سراسر جهان می گیرد. تشخیص مزوتلیوما در بیماران اغلب با تکنیک های تصویربرداری پرهزینه، وقت گیر و بیوپسی نیاز دارد. یادگیری ماشین: به عنوان زیر مجموعهای از هوش مصنوعی، یادگیری ماشین تلاش برای ارائه یک مدل محاسباتی بر اساس دادههای آموزشی نمونه به منظور پیشبینی یا تصمیمگیری در مورد نمونه های ناشناخته بدون برنامهریزی آشکار می باشد. انتخاب ویژگی: مدلی برای شناسائی و انتخاب ویژگی های مؤثر در تصمیم گیری از بین کل ویژگیهای موجود |
| ذینفعان نتایج طرح | افراد جامعه که در معرض ابتلا به سرطان مزوتلیوما قرار دارند. |
اطلاعات مجری و همکاران
| نام و نامخانوادگی | سمت در طرح |
|---|---|
| جعفر رزم آرا | همکار اصلی |
| سپیده پرویزپور | مجری اول (اصلی-هیات علمی) |
اطلاعات تفضیلی
| حوزه خبر | خبر |
|---|---|
| رسانه ها و مردم | عنوان خبر سرطان مزوتلیوما بر اساس داده های بالینی با استفاده از روشهای هوشمند و با دقت بالا قابل تشخیص استمتن خبر مزوتلیوما یکی از انواع سرطان ریه است که اغلب بدخیم بوده و منجر به مرگ و میر در بین افراد مبتلا می شود. تشخیص مزوتلیوما با استفاده از روشهای تصویربرداری وقت گیر و پرهزینه می باشد. امروزه استفاده از ابزارهای محاسباتی مبتنی بر یادگیری ماشین تشخیص مؤثر، ارزان و سریع بیماری را به همراه دارد. این ابزارها بر مبنای داده های مختلف جمع آوری شده از فرد مبتلا از جمله داده های بالینی اقدام به پیش بینی و یا تشخیص بیماری می کنند. برای این منظور نیاز به تهیه یک مجموعه داده های بالینی آموزشی از افراد سالم و افراد بیمار برای آموزش ماشین وجود دارد. در این طرح، داده های بالینی تهیه شده ابتدا با استفاده از یک الگوریتم هوشمند مورد پردازش قرار گرفت تا ویژگیهای بالینی مؤثر در تشخیص بیماری به ترتیب میزان تاثیرگذاری مرتب شوند. سپس، بر اساس داده هائی که بیشترین تاثیر را در تشخیص بیماری دارند اقدام به آموزش ماشین هوشمند گردید. نتایج حاصل از انجام آزمایش نشان می دهد با کاهش تعداد ویژگیها و استفاده از ویژگیهای مؤثرتر می توان سرطان مزوتلیوما را با هزینه کمتر، با سرعت بیشتر و دقیق تر تشخیص داد. |
| متخصصان و پژوهشگران | عنوان خبر متن خبر |
| سیاستگذاران درمانی | عنوان خبر متن خبر |
| سیاستگذاران پژوهشی | عنوان خبر متن خبر |
| لینک (URL) مقاله انگلیسی مرتبط منتشر شده 1 |
