بهینه سازی شبکه عصبی MLP با استفاده از الگوریتم ژنتیک موازی FinGrain برای تشخیص سرطان سینه

امروزه استفاده از سیستم های هوشمند در تشخیص پزشکی به تدریج در حال افزایش است. این سیستم ها می توانند به کاهش خطایی که ممکن است توسط کارشناسان کم تجربه اتفاق بیافتد، کمک کند. بدین منظور استفاده از سیستم های هوشمند مصنوعی در پیش بینی و تشخیص سرطان سینه که یکی از رایج ترین سرطان ها در بین زنان است، مورد توجه می باشد. در این تحقیق فرآیند تشخیص بیماری سرطان سینه با یک رویکرد دو مرحله ای انجام می شود. در مرحله اول دو پارامتر ویژگی های موثر و تعداد نودهای لایه مخفی به منظور آموزش شبکه عصبی MLP به صورت همزمان توسط یک الگوریتم ژنتیک بهینه سازی می شوند. سپس با استفاده از ویژگی-های انتخاب شده و تعداد نودهای لایه مخفی، یک مدل طبقه بندی برمبنای شبکه عصبی MLP برای تشخیص بیماری سرطان سینه در مرحله دوم ایجاد می شود. در این مرحله از یک الگوریتم ژنتیک موازی FinGrain بر مبنای پارامترهای بهینه سازی شده، برای تنظیم وزن های شبکه عصبی MLP استفاده می شود. ارزیابی آزمایش ها نشان می دهد که روش پیشنهادی در مقایسه با روش های GAANN و CAFS روی مجموعه داده WBCD به نتایج بهتری رسیده است و دقت 98.72% را در حالت میانگین گزارش می کند.