تحلیل بقای بیماران مبتلا به سرطان پستان با استفاده از مدل های شبکه عصبی مصنوعی و رگرسیون کاکس

در تحلیل داده های بقاء استفاده از روش های معمول در آمار کلاسیک نیازمند یک سری مفروضات اولیه برای داده ها است. شبکه های عصبی مصنوعی از روش های نوین مدل سازی و پیش بینی هستند که در مواقعی که روش های کلاسیک به خاطر محدودیت هایشان قابل استفاده نیستند، کاربرد دارند. هدف از این مطالعه، پیش بینی وضعیت بقای بیماران مبتلا به سرطان پستان با استفاده از مدل های شبکه عصبی و مقایسه آن با مدل رگرسیون کاکس می باشد.
روش پژوهش: داده های مطالعه شامل 161 مورد از بیماران مبتلا به سرطان پستان در استان اردبیل بود که طی سال های 1382 تا 1387 تشخیص سرطان در آن ها صورت گرفته بود و به صورت هم گروه تاریخی بررسی شدند. از 9/68 درصد داده ها برای برازش مدل ها و 1/31 درصد داده ها برای اعتبار سنجی مدل ها استفاده شد. مدل های مختلف شبکه عصبی مصنوعی و رگرسیون کاکس به منظور پیش بینی وضعیت بقای بیماران به داده ها برازش گردید. معیارهای صحت پیش بینی و سطح زیر منحنی مشخصه عملکرد برای مقایسه مدل ها استفاده گردید.
در بین مدل های شبکه عصبی، مدل های با الگوریتم آموزش SCG، OSS و LM به ترتیب با صحت پیش بینی 94، 90 و 78 درصد برای داده های اعتبارسنجی، بیشترین کارایی را داشتند. سطح زیر منحنی مشخصه عملکرد برای مدل های مذکور به ترتیب 991/0، 972/0 و 837/0 و برای مدل رگرسیون کاکس 869/0 به دست آمد.
نتایج مطالعه نشان داد در صورت انتخاب معماری و الگوریتم آموزش مناسب برای مدل شبکه عصبی مصنوعی، این مدل در مقایسه با مدل رگرسیون کاکس کارایی بیشتری برای پیش بینی وضعیت بقای بیماران مبتلا به سرطان پستان دارد.