Paramedical Sciences and Military Health

fa تشخیص سرطان پستان با رویکرد مدل سازی پیش‌بینی و پزشکی شخص محور A Predictive Modeling Approach for Breast Cancer Diagnosis and Personalized Medicine مقالات کامل full articles پژوهشي Research مقدمه: سرطان پستان دومین عامل شایع مرگ و میر در میان زنان جهان محسوب می‌شود. طبقه‌بندی زیر شاخه‌‌های مختلف این سرطان نقش کلیدی در تشخیص زودهنگام و درمان فردمحور ایفا می کند. هدف این مطالعه بهره‌گیری از یک رویکرد مبتنی بر یادگیری ماشین در راستای توسعه مدل‌های پیش‌بینی کننده‌ی زیر گروه‌های سرطان پستان با استفاده از مجموعه داده‌های تک آمیک می باشد. مواد و روش‌ها: در این مطالعه مجموعه داده‌های بیانی RNAseq با سایز 526 نمونه و داده‌های بیانی miRNA با 755 نمونه از پایگاه داده‌ای اطلس ژنوم سرطانTCGA-BRCA  استخراج شدند. مدل‌ها با استفاده از یک چارچوب جامع که استخراج اطلاعات کلیدی از داده‌های تک-اُمیک، یک‌پارچه‌سازی داده‌های ناهمگون از منابع مختلف، کاهش ابعاد و ارزیابی مدل را در خود جای داده بود، آموزش داده شدند. عملکرد مدل‌ها با استفاده از معیارهای مختلف از جمله دقت، صحت، بازیابی، امتیاز F1 و سطح زیر منحنی مشخصه عملکرد گیرنده (AUC-ROC) برای طبقه بندی کننده‌های رگرسیون حداقل مربعات جزئی، جنگل‌ تصادفی، بیز ساده، درخت‌ تصمیم، شبکه‌های عصبی، و رگرسیون لاسو ارزیابی شده است. یافته‌ها: نتایج این تحقیق نشان می‌دهد که طبقه‌بندی‌کننده‌های جنگل تصادفی و رگرسیون لاسو به ترتیب با دقت پیش‌بینی 92/81٪ و 95/01٪، بهترین عملکرد را در میان مدل‌های بررسی شده داشتند. نمودار مشخصه عملکرد سیستم (ROC) برای این دو روش با سطح زیر نمودار (AUC) معادل 0/97، برتری واضحی نسبت به سایر روش‌ها نشان می‌دهد. همچنین، ارقام بازیابی بالا (93/61٪ برای جنگل تصادفی و 93/82٪ برای رگرسیون لاسو) نمایانگر موفقیت این تکنیک‌ها در جمع‌آوری نمونه‌های مثبت هستند. علاوه بر این، این دو طبقه‌بندی‌کننده رتبه‌بندی F1 بالایی کسب کرده‌اند که نشان‌دهنده دقت، بازیابی و کارایی کلی مطلوب آن‌ها می‌باشد. نتیجه‌گیری: این مطالعه پتانسیل مدل‌ پیشنهادی مبتنی بر هوش مصنوعی را در تشخیص زیرگروه‌های سرطان پستان برجسته می‌کند. چارچوب پیشنهادی می‌تواند با بکارگیری داده های بالینی در دسترس برای تشخیص زودهنگام، پیش‌بینی دقیق و درمان متناسب با بیمار پیاده‌سازی شده و بار سرطان ناشی از عوارض و مرگ و میر را کاهش دهد.   Introduction: Breast cancer is the second most common cause of death among women worldwide. Classification of different breast cancer subtypes is crucial for early diagnosis and individualized treatment. This study aims to develop predictive models of breast cancer subtypes using machine learning approaches applied to single-omic datasets. Materials and Methods: RNA-seq expression datasets comprising 526 samples and miRNA expression data including 755 samples were obtained from the TCGA-BRCA Cancer Genome Atlas database. The models were trained using a comprehensive framework involving key feature extraction from single-omic data, integration of heterogeneous data sources, dimensionality reduction, and rigorous model evaluation. Performance was assessed using metrics such as accuracy, precision, recall, F1 score, and area under the receiver operating characteristic curve (AUC-ROC) across multiple classifiers including partial least squares regression, random forest, naive Bayes, decision tree, neural networks, and lasso regression. Results: Random forest and lasso regression classifiers showed superior performance among all models tested, achieving accuracies of 92.81% and 95.01%, respectively. Their receiver operating characteristic (ROC) curves demonstrated an area under the curve (AUC) of 0.97. Moreover, high recall values (93.61% for random forest and 93.82% for lasso regression) indicate strong ability to correctly identify positive cases. Both classifiers also achieved high F1 scores, reflecting balanced precision and recall and overall robust predictive performance. Conclusion: This study demonstrates the potential of AI-based predictive models in accurately classifying breast cancer subtypes. The proposed framework can be applied to available clinical data to support early detection, precise prognosis, and personalized treatment strategies, ultimately helping to reduce cancer-related morbidity and mortality. هوش مصنوعی, مدل سازی پیش بینی‌کننده, بیوتکنولوژی پزشکی, تشخیص سرطان, پزشکی دقیق. Artificial intelligence, Predictive modeling, Medical biotechnology, Cancer detection, Precision medicine. 40 47 http://jps.ajaums.ac.ir/browse.php?a_code=A-10-743-1&slc_lang=fa&sid=1 Malihe Rastegarpanah ملیحه رستگارپناه rastegarpanah-m@alumnus.tums.ac.ir 10031947532846004292 10031947532846004292 Yes Department of Medical Biotechnology, Faculty of Advanced Technologies in Medicine, Tehran University of Medical Sciences (TUMS), Tehran, Iran. گروه بیوتکنولوژی پزشکی، دانشکده فناوری های پیشرفته پزشکی، دانشگاه علوم پزشکی تهران (TUMS)، تهران، ایران.