Signal and Data Processing

fa پیش‌بینی بقای بیماران مبتلا به سرطان پستان با استفاده از بهینه سازی مدل DeepHit Predicting the Survival of Breast Cancer Patients via Deep Neural Networks مقالات پردازش داده‌های رقمی Paper پژوهشي Research با توجه به اهمیت و شیوع سرطان پستان به‌عنوان دومین علت مرگ در بین بیماری‌های سرطانی در جهان، دسترسی به مدلهایی که با دقت بالا بتوانند بقای این بیماران را در افراد مبتلا پیش‌بینی نمایند، موردتوجه است. هدف از این مطالعه، استفاده از شبکه عصبی عمیقِ بهینه‌سازی شده برای پیش‌بینی بقای بیماران مبتلا به سرطان پستان است. مطالعه حاضر یک مطالعه تحلیلی هست. داده‌های مورداستفاده از بانک داده‌ای METABRIC مربوط به طبقه‌بندی مولکولی از بیماران مبتلابه سرطان سینه مجمع بین‌المللی هست. تعداد کل بیماران موردبررسی 1981نفر هست. از این تعداد 888 نفر از بیماران تا لحظه مرگ تحت مراقبت و بقیه در حین مطالعه از ادامه مطالعه صرف‌نظر کرده‌اند. در این دیتاست به 21 ویژگی کلینیکی بیماران توجه شده است که در کل شامل 6 ویژگی کمی و 15 ویژگی کیفی هست. جهت پیش‌بینی بقا از مدل شبکه عصبی عمیق DeepHit بهینه‌سازی شده استفاده میشود. مدل بهینه‌سازی شده توانسته است معیار 73/0 c_index= را، که معیاری برای سنجش قابلیت مدل‌های آنالیز بقا است کسب کند. مقایسه با مدل‌های قبلی بر اساس مجموعه داده‌های واقعی و مصنوعی نشان می‌دهد که DeepHit بهینه‌سازی شده به پیشرفت‌های عملکردی بزرگ و آماری قابل‌توجهی نسبت به روش‌های سطح بالا دست‌یافته است.   Predicting and estimating the time it takes for an event of interest to occur base on available information is special assistance in how to deal with the event and handle it or provide solution to prevent the occurrence of the event. In medicine, valuable information about evaluating the types of treatments and prognosis and providing solution to handle event can be gained by predicting the time that an event occurrence according to information recorded from patients. Many statistical solutions have been proposed for predicting the time that an event occurrence and the most professional method is Survival Analysis. The purpose of Survival Analysis is to predict the time that an event occurrence a model effective parameters in estimating the time, which can be control or eliminating problematic factors. Due to the importance and prevalence of breast cancer as the second leading cause of death among cancer patients in the world, access to models that can accurately predict the survival of breast cancer patients is very important. The present study is an analytical study. The data used in this study are taken from The Molecular Taxonomy Data of the International Federation of Breast Cancer (METABRIC) database, which is related to which is related to the molecular classification of breast cancer patients. The total number of patients studied was 1981. Of these, 888 patients were in care until the time of death and the rest did not continue the study during the study. In this database, 21 clinical features of patients have been considered, which includes a total of 6 quantitative features and 15 qualitative features. To predict survival, a deep neural network model called the optimized DeepHit is used. The optimized model has achieved the criterion of c_index = 0.73, which is a criterion for measuring the capability of survival analysis models. Comparisons with previous models based on real and synthetic datasets show that the optimized DeepHit has achieved great performance and statistically significant improvements over previous advanced methods. استخراج ویژگی, یادگیری عمیق, تجزیه و تحلیل بقا, سرطان پستان, Deep learning, Survival Analysis, Breast cancer 3 12 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2317-1&slc_lang=fa&sid=1 Soheila Rezaei سهیلا رضایی s.rezaie2261368@gmail.com 100319475328460012455 100319475328460012455 No Department of Electrical Engineering, Faculty of Engineering گروه مهندسی برق Hossein Ghayoumi Zadeh حسین قیومی زاده h.ghayoumizadeh@gmail.com 100319475328460012456 100319475328460012456 Yes Department of Electrical Engineering, Faculty of Engineering گروه مهندسی برق Mohammad Hossein Gholizadeh محمدحسین قلی زاده gholizadeh@vru.ac.ir 100319475328460012457 100319475328460012457 No Department of Electrical Engineering, Faculty of Engineering گروه مهندسی برق Ali Fayazi علی فیاضی a.fayazi@vru.ac.ir 100319475328460012458 100319475328460012458 No Department of Electrical Engineering, Faculty of Engineering گروه مهندسی برق