در سال 71 با قبولی در مقطع کارشناسی رشته کامپیوتر سخت‌افزار وارد دانشگاه آزاد اسلامی شدم. در سال 78 در مقطع ارشد رشته معماری کامپیوتر پذیرفته شدم و این مقطع را نیز در دانشگاه آزاد اسلامی گذراندم. در سال 91 نیز در مقطع دکتری تخصصی رشته انفورماتیک پزشکی دانشگاه علوم پزشکی تهران پذیرفته شدم.

به مدت 13 سال در دانشگاه‌های مختلف آزاد اسلامی واحدهای تهران غرب، ساری، تویسرکان، تهران سما، در دانشگاه‌های علمی و کاربردی واحدهای شهرداری، هادی، صنایع و معادن، صنعتی ایران و در دانشگاه غیرانتفاعی چالوس به‌صورت مدرس حق‌التدریس و مدعو مشغول به تدریس بوده‌ام. همچنین چندین سال با گروه مدیریت اطلاعات سلامت دانشگاه شهید بهشتی، دانشگاه ایران و دانشگاه تهران همکاری داشته‌ام.بعلاوه چندین کارگاه داده‌کاوی در دانشگاه تهران را تشکیل داده‌ام.

سرطان سینه تبدیل به یک مشکل حاد و بحرانی در سراسر جهان شده است. درصورتی‌که این سرطان در فازهای اولیه تشخیص داده شود، امکان درمان آن افزایش می‌یابد که این امر منتج به کاهش نرخ مرگ‌ومیر و هزینه‌های درمانی می‌شود.

متأسفانه بنا بر دلایل مختلف؛ نظیر میزان تبحر پزشک، عدم وجود تجهیزات، مراجعه دیرهنگام بیمار؛ تشخیص سرطان سینه به تعویق می‌افتد.خوشبختانه در عمل اثبات‌شده است که استفاده از نرم‌افزارهای کمک تصمیم‌یار پزشکی در این راستا کمک‌های شایانی را کرده اند.

الگوریتم‌های کلاس‌بندی مختلفی نظیر شبکه عصبی مصنوعی، ماشین بردار تصمیم و درخت تصمیم‌گیری در راستای تشخیص سرطان سینه در این نرم‌افزارها استفاده‌شده‌اند. الگوریتم گرانشی DGC یکی از الگوریتم‌های نوین است که بر اساس مفهوم گرانش نیوتن ای به کلاس‌بندی می‌پردازد.

متأسفانه نتایج نشان می‌دهند که این الگوریتم از کارایی لازم در تشخیص سرطان سینه برخوردار نیست، زیرا از طرفی صحت آن پایین بوده و قابل‌مقایسه با الگوریتم‌های مطرح نظیر شبکه عصبی در حوزه داده‌کاوی و یادگیری ماشین نیست و از طرف دیگر حساسیت آن در سطح مناسبی قرار ندارد. با در نظر گرفتن اینکه حساسیت از ارزش بیشتری در تشخیص سرطان سینه برخوردار است، استفاده از این الگوریتم در تشخیص سرطان سینه ارزش چندانی نخواهد داشت.

هدف این پایان‌نامه توسعه الگوریتم گرانشی‌ای بر پایه الگوریتم DGC است، به صورتی که به تقلیل مشکلات بیان‌شده پرداخته و در راستای سرطان سینه قابل‌استفاده گردد. نتایج نشان می‌دهد که مشکلات مذکور به دو علت در الگوریتم گرانشی DGC ظاهر می‌شوند: 1(حجم تعداد نمونه‌های منفی بیش از تعداد نمونه‌های مثبت بوده و درنتیجه الگوریتم DGC به سمت کلاس منفی بایاس می‌شود که منتج به کاهش حساسیت و صحت خواهد شد. خوشبختانه راهکارهای بالانس سازی متنوعی در راستای حل این مشکل تاکنون ابداع‌شده است. 2) کلاس مثبت پراکنده‌تر از کلاس منفی است و این امر منتج به کاهش گرانش نمونه‌های مثبت نسبت به نمونه‌های منفی می‌شود که این مورد نیز در کاهش حساسیت تأثیرگذار است. بر اساس مرور ادبیات تاکنون مطالعه‌ای در راستای تقلیل این مشکل ابداع نشده است.

در این پایان‌نامه الگوریتمی تحت عنوان Mass Learner DGC ابداع‌شده است که می‌تواند مشکل تفاوت در پراکندگی نمونه‌های مثبت (بدخیم) و منفی (خوش خیم) در تشخیص سرطان سینه را کاهش دهد. این الگوریتم بر اساس روش هوشمندانه گرادیان نزولی به تغییر جرم نمونه‌های مثبت و منفی می‌پردازد، بصورتیکه کارایی این الگوریتم افزایش پیدا نماید. نتایج نشان می‌دهند که اولاً در این الگوریتم صحت به‌اندازه کافی افزایش می‌یابد تا قابل‌رقابت با الگوریتم‌های مطرح نظیر شبکه عصبی و ماشین پشتیان تصمیم در راستای تشخیص سرطان سینه باشد. از سمت دیگر، در این الگوریتم حساسیت به‌اندازه مطلوب افزایش می‌یابد تا امکان استفاده از آن در تشخیص سرطان سینه ممکن شود. نهایتاً بر اساس الگوریتم ابداعی Mass Learner DGC، سامانه‌ای تولیدشده است که به تشخیص سرطان سینه می‌پردازد.

مطالعات متنوعی در راستای تشخیص سرطان سینه بر اساس الگوریتم‌های کلاس‌بندی مطرح در ایران به انجام رسیده است؛ اما تاکنون مقاله‌ای به استفاده از الگوریتم گرانشی DGC در راستای تشخیص سرطان سینه اشاره‌ای ننموده است. همچنین بدیهی است که الگوریتم بسط یافته Mass Learner DGC در چنین مطالعاتی مشاهده نمی‌شوند.

هرچند که مطالعاتی در راستای تشخیص سرطان سینه بروی دیتاست سرطان سینه ویسکانسین از طریق الگوریتم گرانشی DGC انجام‌شده است، اما در این مطالعات از دو منظر کوتاهی‌هایی مشاهده می‌شود. اولاً، هرچند که این مطالعات نشان می‌دهند که کارایی الگوریتم گرانشی DGC در راستای تشخیص سرطان سینه بروی دیتاست سرطان سینه ویسکانسین مناسب نیست، به‌صورت خاص دلیلی در راستای بروز این مشکل را ارائه نمی‌کنند. ثانیاً، این مطالعات راهکاری در راستای افزایش کارایی الگوریتم DGC به‌منظور تشخیص سرطان سینه و حتی سایر موارد مشابه را ارائه نکرده‌اند.

برخلاف مطالعاتی که به استفاده از الگوریتم‌های کلاس‌بندی مطرح‌شده در حوزه داده‌کاوی و یادگیری ماشین در راستای پیاده‌سازی یک سامانه تشخیصی می‌پردازند، ابداع یک الگوریتم جدید پروسه زمان‌بری است. از طرف دیگر، چاپ مقالات چنین تحقیقات بنیادی / توسعه‌ای زمان زیادی را صرف می‌کند. لذا، زمان مهم‌ترین عامل در انجام چنین پژوهش‌هایی خواهد بود.

البته لازم است تا در اینجا از اساتید محترم جناب آقای دکتر صفدری، سرکار خانم دکتر قاضی سعیدی، سرکار خانم دکتر نیاکان و جناب آقای دکتر معقولی که باراهنمایی‌های ارزشمند خود، همواره پشتیبان و حمایت گر این‌جانب بوده‌اند، کمال تشکر را داشته باشم.

نتایج این پژوهش از چند منظر ارزشمند است، در ابتدا این پژوهش منتج به استفاده از راهکار جدیدی در راستای تشخیص سرطان سینه شده است که نتایج نشان می‌دهند که با سایر راهکارهای موجود قابلیت رقابت رادار است. استفاده از این راهکار جدید می‌تواند منتج به تولید سامانه‌های دقیق‌تر در تشخیص سرطان سینه گردد.

از طرف دیگر الگوریم ابداعی Mass Learner DGC می‌تواند در تشخیص سایر موارد در بهداشت و درمان که توزیع داده‌های آن‌ها شبیه به توزیع داده‌های سرطان سینه باشد، استفاده گردد.

همچنین این الگوریتم، منجر به کاهش مشکلات الگوریتم گرانشی DGC شده است. لذا می‌تواند فارغ از بحث تشخیص سرطان سینه، یک نگرش نوین درمجموع الگوریتم‌های کلاس‌بندی را فراهم نماید.

نهایتاً، مشکل غیر بالانس بودن توزیع نمونه‌های مثبت و منفی، یک مشکل چالش‌برانگیز در مبحث داده‌کاوی است. تاکنون، بر اساس مرور ادبیات، تمام مطالعات به‌صورت مستقیم یا غیرمستقیم به غیر بالانس بودن تعداد نمونه‌های مثبت و منفی پرداخته‌اند. درصورتی‌که تفاوت در پراکندگی نمونه‌های مثبت و منفی نیز می‌تواند دلالت بر شکلی از غیر بالانس بودن دیتاست نماید. این پژوهش نه‌تنها به بررسی این مشکل پرداخته، بلکه راهکاری در راستای غلبه بر آن را نیز ایجاد نموده است. امید است که این نگرش بتواند در سایر حوزه‌های وابسته کاربردی شود.

تاکنون دو مقاله به چاپ رسیده است. با در نظر گرفتن اینکه فرآیند بررسی مقالاتی که به توسعه یک الگوریتم خاص می‌پردازند، زمان‌بر است، دو مقاله دیگر به مدت 8 ماه است که در حال بررسی و بازبینی است.

 

دکتر رضا صفدری و دکتر مرجان قاضی سعیدی اساتید راهنما و دکتر شراره رستم نیاکان و دکتر کیوان معقولی اساتید مشاور این پژوهش بودند. دکتر مریم احمدی، دکتر رضا ربیعی، دکتر میترا زارع و دکتر لیلا شاهمرادی داوری آن را بر عهده داشتند.