title

تحليل بقای بيماران مبتلا به سرطان پستان با استفاده از مدلهای شبكه عصبی مصنوعی و رگرسيون کاکس

سدهی, مرتضی and امانی, فیروز and مومنی دهقی, فاطمه (1392) تحليل بقای بيماران مبتلا به سرطان پستان با استفاده از مدلهای شبكه عصبی مصنوعی و رگرسيون کاکس. فصلنامه علمی پژوهشی دانشگاه علوم پزشکی و خدمات بهداشتی درمانی زابل ــ 5 (4). pp. 24-32. شاپا 2008-7837

[img]
Preview
Text - Published Version
317kB

Official URL: http://www.zbmu.ac.ir/journal/page.php?slc_lang=fa...

Persian Abstract

چکيده مقدمه: در تحليل داده‌های بقاء استفاده از روش‌های معمول در آمار کلاسيک نيازمند يک‌سری مفروضات اوليه برای داده‌ها است. شبکه‌های عصبی مصنوعی از روش‌های نوين مدل‌سازی و پيش‌بينی هستند که در مواقعی که روشهای کلاسيک به‌خاطر محدوديت-هايشان قابل استفاده نيستند، کاربرد دارند. هدف از اين مطالعه، پيش‌بينی وضعيت بقای بيماران مبتلا به سرطان پستان با استفاده از مدل‌های شبکه عصبی و مقايسه آن با مدل رگرسيون کاکس می‌باشد. روش پژوهش: داده‌های مطالعه شامل 161 مورد از بيماران مبتلا به سرطان پستان در استان اردبيل بود که طی سال‌های 1382 تا 1387 تشخيص سرطان در آن‌ها صورت گرفته بود و به‌صورت هم گروه تاريخی بررسی شدند. از 9/68 درصد داده‌ها برای برازش مدل‌ها و 1/31 درصد داده‌ها برای اعتبار سنجی مدل‌ها استفاده شد. مدل‌های مختلف شبکه عصبی مصنوعی و رگرسيون کاکس به منظور پيش-بينی وضعيت بقای بيماران به داده‌ها برازش گرديد. معيارهای صحت پيش‌بينی و سطح زير منحنی مشخصه عملکرد برای مقايسه مدل-ها استفاده گرديد. يافته‌ها: در بين مدل‌های شبکه عصبی، مدل‌های با الگوريتم آموزش SCG، OSS و LM به‌ترتيب با صحت پيش‌بينی 94، 90 و 78 درصد برای داده‌های اعتبارسنجی، بيشترين کارايی را داشتند. سطح زير منحنی مشخصه عملکرد برای مدل‌های مذکور به‌ترتيب 991/0، 972/0 و 837/0 و برای مدل رگرسيون کاکس 869/0 به‌دست آمد. نتيجه‌گيری: نتايج مطالعه نشان داد در صورت انتخاب معماری و الگوريتم آموزش مناسب برای مدل شبکه عصبی مصنوعی، اين مدل در مقايسه با مدل رگرسيون کاکس کارايی بيشتری برای پيش‌بينی وضعيت بقای بيماران مبتلا به سرطان پستان دارد.

Title

Analysis of survival data of patient with breast cancer using artificial neural network and cox regression models

English Abstract

Abstruct Introduction: In analyzing survival data using conventional methods of classical statistics requires some basic assumptions for data. Artificial neural networks as a modern modeling method can be used in situations where classic models have restricted application because their assumptions are not met. This study is compared survival of patients with breast cancer using artificial neural network and Cox regression models. Methods: This historical cohort study, include data from 161 patients with breast cancer in Ardabil province in the years 2002-2007 were diagnosed as having cancer. 68.9% of data dividing as training data set and 31.1% of data dividing as validation data set. Artificial neural networks and Cox regression models are fitted to data. Predictive accuracy and area under ROC used to compare models. Results: Between neural network models, models with SCG, OSS and LM learning algorithms with predictive accuracy of 94, 90 and 78 percent for validation data, had the highest efficiency respectively. Areas under ROC for these models are 0.991, 0.972 and 0.837 respectively and 0.869 for Cox regression model. Conclusion: This study shaw that if suitable architecture and algorithms are selected for artificial neural network model, this model will be more efficient than the Cox regression model to predict the survival situation of patients with breast cancer.

Item Type:Article
زبان سند : فارسی
نویسنده مسئول :مرتضی سدهی
نویسنده :فیروز امانی
Additional Information:مقالات اين فصلنامه در پايگاه استنادی علوم جهان اسلام(ISC)، پايگاه راهنمای مقالات علوم پزشکی ايران(Iranmedex)، پايگاه اطلاعات علمی جهاد دانشگاهی(SID) و بانک اطلاعات نشريات کشور(Magiran) نمايه می شود.
Uncontrolled Keywords:تحليل بقاء، رگرسيون کاکس، سرطان پستان، شبکه عصبی مصنوعی،
کلیدواژه ها (انگلیسی):Artificial neural networks, Breast cancer, Cox regression model, Survival analysis
Subjects:WA Public Health > WA. 900 Vital Statistics
WA Public Health > WA. 900 Vital Statistics

QZ Pathology
WP Gynecology
Divisions:Faculty of Medicine > Department of Basic Sciences > Department of Vital Statistics
ID Code:5819
Deposited By: Dr Firouz Amani
Deposited On:09 May 1393 07:09
Last Modified:09 May 1393 07:11

Repository Staff Only: item control page

Document Downloads

More statistics for this item...