Iranian Journal of Breast Diseases

fa رویکرد پیش بینی سرطان پستان بر اساس داده های میکروآرایه با استفاده از انتخاب ژن ترکیبی و یادگیری عمیق Breast cancer prediction approach based on microarray data using hybrid gene selection and deep learning پیشگیری prevention كاربردي Applicable مقدمه: سرطان پستان ، شایع‌ترین سرطان و دومین علت مرگ‌ومیر ناشی از سرطان در زنان است و به‌دلیل تکثیر غیرقابل‌کنترل سلول‌های بافت پستان رخ می‌دهد. بررسی بیان ژن در این سرطان، اطلاعات ارزشمندی درباره رفتار و پیشرفت بیماری ارائه می‌دهد و با استفاده از داده‌های میکروآرایه DNA، محققان می‌توانند الگوهای خاص ژنی را شناسایی کنند که به تشخیص دقیق‌تر و بهبود درمان کمک می‌کند. با این حال، حجم بالای داده‌های میکروآرایه چالش‌های پیچیده‌ای را برای الگوریتم‌های یادگیری ماشین به همراه دارد. برای رفع این مشکل، از روش انتخاب ویژگی برای کاهش ابعاد داده‌ها استفاده می‌شود که علاوه بر افزایش دقت، زمان پردازش را نیز کاهش می‌دهد و در تشخیص و طبقه‌بندی مؤثرتر سرطان مفید است. روش بررسی: در این تحقیق، هدف انتخاب ژن‌های مرتبط با سرطان پستان در داده‌های میکروآرایه‌ای است که حاوی اطلاعات بسیار پیچیده‌ای از بیان ژن‌ها هستند. برای بهبود دقت و کارایی طبقه‌بندی این داده‌ها، از یک رویکرد ترکیبی استفاده شده است که ترکیب دو روش انتخاب ویژگی فیلتر و لفاف را با الگوریتم ساخت اهرام جیزه چندهدفه (FWGPC) و یادگیری عمیق به‌کار می‌گیرد. یافته‌ها: نتایج تجربی نشان می‌دهد که این روش بر روی مجموعه داده‌های مختلف (BC-TCGA، GSE) به ترتیب دقتی برابر با 99.96 % و 96.1% را به‌دست آورده و از بسیاری از روش‌های طبقه‌بندی دیگر در تشخیص نمونه‌های جدید سرطان پستان عملکرد بهتری دارد. نتیجه گیری: در این رویکرد، جمعیت اولیه الگوریتم GPC به دو گروه تقسیم می‌شود: یکی براساس تابع تناسب مبتنی بر روش فیلتر و دیگری براساس تابع تناسب مبتنی بر روش لفاف. هر بخش ویژگی‌های خود را براساس معیارهای خاص ارزیابی می‌کند و در نهایت، یک مسابقه بین بهترین نتایج دو بخش برگزار می‌شود. یادگیری عمیق با بررسی دقت طبقه‌بندی، برنده نهایی را اعلام می‌کند که بهترین دقت را در طبقه‌بندی داده‌های جدید سرطان پستان دارد. Introduction: Breast cancer is the most common malignancy among women and the second leading cause of cancer mortality. Gene expression analysis using microarray data reveals molecular patterns associated with disease progression, aiding in diagnosis and treatment. However, the high dimensionality of such data poses significant challenges for machine learning methods. Methods: Breast cancer is the most common malignancy in women and a major cause of cancer mortality. This study introduces a hybrid feature selection method combining filter, wrapper, FWGPC, and deep learning to handle high-dimensional microarray data. The approach enhances classification accuracy and identifies key genes linked to breast cancer. Results: Experimental results demonstrate that the proposed method achieves classification accuracies of 99.96% and 96.1% on the BC-TCGA and GSE datasets, respectively. It outperforms many other classification approaches in identifying new breast cancer cases. Conclusion: This study applies the FWGPC algorithm by combining filter and wrapper approaches for feature selection in breast cancer microarray data. The best outcomes compete, and classification accuracy is evaluated through deep learning. The approach enables key gene identification and improves classification performance. سرطان پستان, داده های میکرو آرایه, انتخاب ویژگی, الگوریتم سخت اهرام جیزه, یادگیری عمیق Breast Cancer, Microarray Data, Feature Selection, Giza Pyramids Construction Algorithm, Deep Learning. 112 137 http://ijbd.ir/browse.php?a_code=A-10-1755-1&slc_lang=fa&sid=1 masumeh motevali alamuti معصومه متولی الموتی masumeh.motevalli@kiau.ac.ir 2219169634 000319475328460013000 No Ph.D. Candidate, Department of Computer Engineering, Ka.C, Islamic Azad University, Karaj, Iran دانشجوی دکتری کامپیوتر،گروه کامپیوتر دانشگاه آزاد اسلامی، واحد کرج، ایران madjid khalilian مجید خلیلیان Khalilian@kiau.ac.ir 1282368699 000319475328460013001 Yes Department of Computer Engineering, Ka.C, Islamic Azad University, Karaj, Iran گروه کامپیوتر دانشگاه آزاد اسلامی، واحد کرج، ایران azam bastanfard اعظم باستان فرد bastanfard@kiau.ac.ir 0321555627 000319475328460013002 No Department of Computer Engineering, Ka.C, Islamic Azad University, Karaj, Iran گروه کامپیوتر دانشگاه آزاد اسلامی، واحد کرج، ایران