مقالات

هزاران نفر را نجات بده!

امین نظری

۱۴۰۲/۰۲/۰۱

یکی از مهم‌ترین مسائل در زمینه پزشکی، تشخیص سریع و به‌موقع بیماری‌هاست. زیرا تشخیص زودهنگام بیماری می‌تواند، به درمان سریع بیمار کمک کند و از میزان مرگ و میر در بیماران بکاهد. در میان بیماری‌های گوناگون، سرطان سینه، به‌عنوان شایع‌ترین سرطان بین زنان و دومین سرطان شایع جهان، همواره هزینه‌های زیادی را بر جامعه تحمیل می‌کند. در جهان، سرطان سینه، زندگی 10 درصد از زنان را تحت تأثیر قرار داده است. در سال‌های اخیر و در کشور ما ایران، سرطان سینه افزایشی چشمگیر داشته است. همین موضوع انگیزه اصلی نوشتن این مقاله است. بنابراین، سعی می‌کنیم توانایی‌ها و قابلیت‌های فن‌های یادگیری ماشین برای شناسایی سرطان سینه را بررسی کنیم.

معمولاً بیماری سرطان به دو نوع خوش‌خیم و بدخیم تقسیم می‌شود که روش‌های درمان هرکدام متفاوت هستند. بنابراین، تشخیص نوع سرطان اقدامی ضروری برای مقابله با آن است. برای این منظور باید از بافت مشکوک به سرطان نمونه‌برداری کرد و با بررسی و آزمایش نمونه‌ها، نوع سرطان را تشخیص داد. برای تشخیص از ویژگی‌هایی نظیر اندازه سلول‌ها، بافت سلول، سفتی یا نرمی سلول استفاده می‌شود. اما متأسفانه دقت تشخیص نوع سرطان توسط پزشکان، حدود 79 درصد است. این در حالی است که روش‌های یادگیری ماشین با دقتی حدود 97 درصد توانایی تشخیص نوع سرطان را دارند. این افزایش دقت بسیار مهم است و می‌تواند به جلوگیری از مرگ هزاران نفر منجر شود. در این مقاله سعی می‌کنیم با استفاده از روش‌های یادگیری ماشین، بیماری سرطان سینه را دسته‌بندی و فرایند انجام پروژه را بررسی کنیم. این فرایند شامل چندین مرحله است:

1. شناخت و پیش‌پردازش داده: در این مرحله، ابتدا داده‌ها را جمع‌آوری و بررسی می‌کنیم‌. سپس آن‌‌ها را برای کار با الگوریتم‌های یادگیری ماشین پالایش و به قالب مناسب تبدیل می‌کنیم. در اینجا ما از مجموعه‌دادگان آماده استفاده خواهیم کرد که از وبگاه uci‌1 قابل دریافت هستند. در این مجموعه دادگان 567 نمونه وجود دارد که هر نمونه 30 ویژگی دارد. سرطان حدود 62 درصد از بیماران مبتلا به سرطان سینه از نوع خوش‌خیم و مابقی بدخیم است.

2. ساخت مدل: برای ساخت مدل می‌توان از الگوریتم‌های یادگیری ماشین استفاده کرد. با توجه به اینکه مسئله ما از نوع مسائل یادگیری با نظارت است، می‌توانیم از الگوریتم‌هایی نظیر درخت تصمیم، ماشین بردار پشتیبان و شبکه عصبی چندلایه برای پیش‌بینی نوع بیماری استفاده کنیم. در این روش‌ها، ابتدا با استفاده از داده‌های برچسب‌گذاری‌شده، مدل آموزش داده می‌شود. سپس مدل می‌تواند با دریافت داده بدون برچسب، آن را برچسب‌گذاری کند.

3. ارزیابی مدل: پس از ساخت مدل باید آن را با استفاده از داده‌های جدید ارزیابی کرد و میزان دقت مدل را اندازه‌ گرفت. مدل باید دقت کافی (دقتی بیش از دقت انسان) داشته باشد تا قابلیت استفاده در محیط‌های واقعی را داشته باشد. بنابراین، از بین مدل‌های ساخته‌شده توسط الگوریتم‌های گوناگون، مدلی که بیشترین دقت را داشته باشد، می‌تواند به‌عنوان مدل نهایی انتخاب شود و در ساخت برنامه‌های کاربردی مورد استفاده قرار گیرد.

ما برای پیاده‌سازی الگوریتم‌های یادگیری ماشین از زبان برنامه‌نویسی پایتون استفاده کرده‌ایم. برای ساخت و ارزیابی مدل باید داده‌ها را به دو گروه داده‌های آموزشی و داده‌های آزمایشی تقسیم کرد. داده‌های آموزشی برای یادگیری مدل مورد استفاده قرار می‌گیرند و از داده‌های آزمایشی برای آزمون و ارزیابی آن استفاده خواهد شد. بنابراین، داده‌ها را به دو گروه آموزشی و آزمایشی به نسبت 70 به 30 تقسیم می‌کنیم. به عبارت دیگر، از 70 درصد از داده‌ها برای آموزش مدل و از 30 درصد برای آزمایش استفاده خواهیم کرد.

برای ارزیابی عملکرد مدل‌ها از معیارهایی نظیر صحت²، دقت³ و کارایی⁴ استفاده می‌شود. برای تعریف این موارد، ابتدا دانستن تعریف اصطلاحات مثبت کاذب⁵، منفی کاذب⁶، مثبت واقعی⁷ و منفی واقعی⁸ نیاز است.

مثبت کاذب (FN): بیانگر تعداد رکوردهایی است که دسته واقعی آن‌ها منفی است و مدل، رتبه (کلاس) آن‌ها را به اشتباه مثبت پیش‌بینی کرده است.

مثبت واقعی (TP): بیانگر تعداد رکوردهایی است که دسته واقعی آن‌ها مثبت است و الگوریتم نیز برچسب آن‌ها را به‌درستی مثبت تشخیص داده است.

منفی واقعی (TN): بیانگر تعداد رکوردهایی است که دسته واقعی آن‌ها منفی است و الگوریتم نیز دسته آن‌ها را به‌درستی منفی تشخیص داده است.

منفی کاذب (FN): بیانگر تعداد رکوردهایی است که دسته واقعی آن‌ها مثبت است و مدل، آن‌ها را به اشتباه منفی پیش‌بینی کرده است.

دقت: دقت مدل مشخص می‌‌کند چند درصد از مواردی که مدل به‌عنوان سرطان بدخیم پیش‌بینی کرده، درست بوده‌اند.

.......

فراخوان: تعیین می‌کند چند درصد از افرادی که سرطان بدخیم داشته‌اند، به‌درستی شناسایی شده‌اند.

.....

صحت: کیفیت و کارایی الگوریتم را مشخص می‌کند. Accuracy = (TP + TN) / (TP + TN + FP + FN)

ما در اینجا از الگوریتم ماشین بردار پشتیبان استفاده کرده‌ایم. این الگوریتم سعی می‌کند مرز تصمیم (خوش‌خیم‌بودن یا بدخیم‌بودن سرطان) را به‌گونه‌ای بیابد که این مرز از نمونه‌های هر دو کلاس، بیشترین حاشیه یا فاصله را داشته باشند. برای مثال، در شکل زیر می‌توان بی‌نهایت خط ترسیم کرد که نمونه‌های هر دو کلاس آبی و قرمز را به‌درستی از هم تفکیک کنند. اما کدام خط مناسب‌ترین خط است؟ SVM می‌گوید، خطی بهترین است که بیشترین فاصله را از نمونه‌های هر دو کلاس داشته باشد.

در جدول 1 این معیارها برای الگوریتم ماشین بردار پشتیبان آورده شده‌اند.

پی‌نوشت‌ها