CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

پیش بینی عود مجدد سرطان پستان بااستفاده از تکنیک های یادگیری ماشین

اعتبار موردنیاز : ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۲۲ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: ITTHCONF01_014
زبان مقاله: فارسی
حجم فایل: ۳۴۷.۸ کیلوبایت (فایل این مقاله در ۸ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۸ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیش بینی عود مجدد سرطان پستان بااستفاده از تکنیک های یادگیری ماشین

  محبوبه فغانی نرم - کارشناسی ارشد مهندسی کامپیوتر و دانشکده فنی و مهندسی دانشگاه پیام نور
  اکبر فرهودی نژاد - استادیار گروه مهندسی کامپیوتر و فناوری اطلاعات دانشگاه پیام نور

چکیده مقاله:

امروزه، سرطان از عوامل اصلی مرگ ومیر جهانی به شمار می رود وسرطان پستان رایج ترین و کشنده ترین سرطان شناخته شده و در میان زنان محسوب می شود. روز به روز به تعداد بیمارانی که به بیمارستان ها به منظور درمان های مختلف مراجعه می کنند، اضافه می شود وبه تبع آن تعداد پرونده های بیماران در هر بخش از بیمارستان در حال افزایش است. از این رو همواره حجم زیادی از اطلاعات بیماران در پایگاه داده های پزشکی جمع آوری می شوند، اما با عدم استفاده از این منابع مواجه هستیم. در همین راستا داده کاوی ورویکردهای یادگیری ماشین می توانند به پزشکان در زمینه پیش بینی و تشخیص بیماری ها نقش موثری ایفا نمایند. در این پژوهش که از یک پایگاه داده واقعی ایرانی استفاده شده است هدف اصلی یافتن مناسب ترین الگوریتم جهت دسترسی به بالاترین صحت جهت پیش بینی عود مجدد سرطان پستان است.برای این منظور سه روش شناخته شده داده کاوی به نام های: K- نزدیک ترین همسایه، جنگل تصادفی ، درخت تصمیم C4.5 انتخاب و مورد بررسی قرار گرفتهاند. نتایج آزمایش ها با استفاده از روش ارزیابی 5-fold cross validation نشان می دهد که جنگل تصادفی با صحت 95.17 حساسیت 90.1% و ویژگی 96.78% نسبت به دیگر روش ها بالاترین صحت را به خود اختصاص داده و عملکرد بهتری داشته است.

کلیدواژه‌ها:

پیش بینی عود مجدد، سرطان پستان، داده کاوی، جنگل تصادفی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ITTHCONF01-ITTHCONF01_014.html
کد COI مقاله: ITTHCONF01_014

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
فغانی نرم, محبوبه و اکبر فرهودی نژاد، ۱۳۹۷، پیش بینی عود مجدد سرطان پستان بااستفاده از تکنیک های یادگیری ماشین، همایش بین المللی افق های نوین در مهندسی کامپیوتر و فناوری اطلاعات، تهران، انجمن افق نوین علم و فناوری، https://www.civilica.com/Paper-ITTHCONF01-ITTHCONF01_014.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (فغانی نرم, محبوبه و اکبر فرهودی نژاد، ۱۳۹۷)
برای بار دوم به بعد: (فغانی نرم و فرهودی نژاد، ۱۳۹۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه پیام نور
تعداد مقالات: ۴۳۷۷۶
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
  • علوم پزشکی > سرطان
  • اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط


    مقالات فوق بر اساس داده کاوی مقالات مطالعه شده توسط پژوهشگران محاسبه شده است.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.