تشخیص سرطان سینه با شبکه عصبی در متلب (سورس کد کامل)

سورس کد آماده تشخیص سرطان سینه با شبکه عصبی در متلب (MATLAB) یک پروژه تخصصی، کامل و اعتبارسنجی‌شده است که با بالاترین نرخ دقت، فرآیند پیش‌پردازش داده‌های بالینی، پاک‌سازی داده‌های گم‌شده، نرمال‌سازی ویژگی‌ها، طراحی ساختار شبکه عصبی، آموزش و آزمون مدل و استخراج تمامی معیارهای آماری و تشخیصی استاندارد را در محیط متلب پیاده‌سازی کرده است. این پکیج نرم‌افزاری ابزاری فوق‌العاده برای دانشجویان، محققان علوم داده و مهندسان هوش مصنوعی است که قصد دارند یک مدل هوشمند بدون خطا را برای مقالات علمی، پروژه‌های دانشگاهی یا پایان‌نامه‌های خود به کار بگیرند.

اهمیت استفاده از شبکه عصبی در سیستم‌های تشخیصی هوشمند

شبکه‌های عصبی مصنوعی (Artificial Neural Networks) به دلیل توانمندی بالا در شناسایی الگوهای پیچیده و نگاشت‌های غیرخطی میان ویژگی‌های فیزیولوژیکی و بافتی، بهترین گزینه برای دسته‌بندی توده‌های مشکوک به شمار می‌آیند. داده‌های پزشکی حاصل از بیوپسی یا تصویربرداری اغلب دارای هم‌پوشانی‌های ظریف و پیچیده‌ای هستند که الگوریتم‌های خطی قادر به تفکیک آن‌ها نیستند. شبکه عصبی با یادگیری روابط میان ریسک فاکتورهای متعدد بافتی، مدل تعمیم‌پذیری می‌سازد که می‌تواند توده‌ها را با اطمینان بسیار بالا به دو گروه خوش‌خیم (Benign) یا بدخیم (Malignant) تفکیک کند.

این پروژه نه تنها ساختار شبکه عصبی را به شکل کاملاً بهینه تعریف می‌کند، بلکه تمامی چالش‌های داده‌های واقعی مانند مقادیر ناموجود (Missing Values) و ناهمگنی مقیاس داده‌ها را به شکل خودکار برطرف ساخته و فرآیند یادگیری را در بالاترین سطح کیفی تضمین می‌نماید.

بررسی جامع مجموعه داده سرطان سینه ویسکانسین (Wisconsin Dataset)

اعتبار علمی و دقت مدل‌های یادگیری ماشین وابسته به کیفیتی است که در داده‌های ورودی وجود دارد. این سورس کد بر پایه مجموعه داده استاندارد سرطان سینه دانشگاه کالیفرنیا، ارواین (UCI Machine Learning Repository) تدوین شده است. این مجموعه داده بالینی شامل مشخصات نمونه‌های بافتی جمع‌آوری‌شده از بیماران است که ۹ ویژگی ساختاری و مورفولوژیکی هسته سلول‌ها را مورد سنجش قرار می‌دهد.

ویژگی‌های تخصصی موجود در این دیتاست عبارت‌اند از:

• ضخامت انبوه یا توده (Clump Thickness): ارزیابی وضعیت تک‌لایه‌ای یا چندلایه‌ای بودن سلول‌ها در توده.
• یکنواختی اندازه سلول (Uniformity of Cell Size): بررسی میزان شباهت و یکدستی ابعاد سلول‌ها در نمونه.
• یکنواختی شکل سلول (Uniformity of Cell Shape): سنجش میزان انحراف ساختار سلولی از فرم طبیعی.
• چسبندگی لبه‌ها (Marginal Adhesion): ارزیابی قدرت اتصال سلول‌ها به بافت پیرامونی (کاهش چسبندگی نشانه تمایل به بدخیمی است).
• حجم تک‌سلول بافت پوششی (Single Epithelial Cell Size): اندازه‌گیری حجم و میزان تورم سلول‌های اپیتلیال.
• هسته‌های عریان (Bare Nuclei): بررسی تعداد هسته‌های فاقد سیتوپلاسم در نمونه بافتی.
• کروماتین بلاند (Bland Chromatin): ارزیابی بافت و توزیع ساختار کروماتین درون هسته سلول.
• هسته‌های عادی (Normal Nucleoli): بررسی اندازه و میزان طبیعی بودن هستک‌ها.
• میتوز یا تقسیم هسته (Mitoses): شمارش نرخ تقسیم سلولی فعال که در توده‌های سرطانی به شدت افزایش می‌یابد.

ستون نهایی این مجموعه داده، متغیر هدف (کلاس دسته‌بندی) است که وضعیت بیمار را به صورت خوش‌خیم (با برچسب عددی ۲) یا بدخیم (با برچسب عددی ۴) مشخص می‌سازد.

فرآیند گام‌به‌گام پیش‌پردازش و پالایش داده‌ها

داده‌های خام پزشکی هرگز نباید بدون پیش‌پردازش وارد شبکه عصبی شوند، زیرا وجود نویز، داده‌های گم‌شده و مقیاس‌های ناهمگون سبب تخریب وزن‌های شبکه و کاهش دقت تشخیصی می‌شود. در این پروژه، مراحل پیش‌پردازش به صورت استاندارد زیر انجام شده است:

۱. حذف داده‌های گم‌شده (Missing Data Handling)

از مجموع ۶۹۹ رکورد اولیه موجود در دیتاست، ۱۶ رکورد دارای مقادیر ثبت‌نشده در ستون هسته‌های عریان بودند. برای جلوگیری از خطای محاسباتی، سطرهای ناقص به طور کامل حذف شدند و یک ماتریس تمیز و یکپارچه شامل ۶۸۳ نمونه معتبر استخراج گردید.

۲. حذف شناسه‌های غیرآموزشی

شماره شناسه (Sample ID) بیماران تنها یک متغیر اداری است و هیچ اطلاعات بالینی مفیدی برای شبکه عصبی فراهم نمی‌کند. این ستون به طور کامل از ماتریس یادگیری حذف شده تا از بیش‌برازش (Overfitting) روی شناسه‌های ساختگی جلوگیری شود.

۳. نرمال‌سازی خطی داده‌ها

برای همگن‌سازی بازه تغییرات مقادیر و بهینه‌سازی سرعت همگرایی توابع فعالیت در شبکه عصبی، داده‌ها به بازه عددی استاندارد بین ۰ و ۱ نگاشت شدند. این کار خطای گرادیان را کاهش داده و تطبیق داده‌ها را با مدل هوشمند تسریع می‌بخشد.

فایل نهایی این داده‌های پالایش‌شده در نرم‌افزار متلب با نام استاندارد IOdata ذخیره شده و به طور مستقیم به هسته شبکه عصبی تزریق می‌شود.

شاخص‌ها و معیارهای جامع ارزیابی عملکرد مدل

یکی از نقاط قوت برجسته این سورس کد متلب، محاسبه خودکار و دقیق جامع‌ترین پکیج معیارهای ارزیابی یادگیری ماشین در پنجره فرمان (Command Window) است. پس از اتمام اجرای شبیه‌سازی، شاخص‌های زیر به صورت کاملاً تفکیک‌شده نمایش داده می‌شوند:

• معیار دقت دسته‌بندی (Accuracy): نسبت کل پیش‌بینی‌های صحیح مدل به کل موارد مورد ارزیابی.
• معیار صحت یا دقت مثبت (Precision): توانایی مدل در جلوگیری از نام‌گذاری توده‌های خوش‌خیم به عنوان بدخیم (کاهش مثبت کاذب).
• معیار بازخوانی یا حساسیت (Recall / Sensitivity): توانایی حیاتی مدل در شناسایی تمامی موارد واقعی سرطان بدخیم (کاهش منفی کاذب).
• معیار امتیاز اف ۱ (F1-Score): میانگین همساز میان صحت و بازخوانی که تعادل کلی مدل را ارزیابی می‌کند.
• ضریب کاپای کوهن (Cohen’s Kappa): شاخص آماری سنجش میزان توافق مدل با واقعیت بدون احتساب شانس تصادفی.
• میانگین خطای مطلق (MAE): میانگین تفاضل مطلق میان مقادیر واقعی و پیش‌بینی‌شده.
• ریشه میانگین مربعات خطا (RMSE): شاخص استاندارد شدت خطاهای پیش‌بینی با وزن‌دهی بیشتر به خطاهای بزرگ‌تر.
• خطای نسبی مطلق (RAE): درصد خطای مدل نسبت به میانگین داده‌ها.
• ریشه نسبی مربعات خطا (RRSE): شاخص ارزیابی خطای مدل به صورت نرمالایز شده در مقایسه با پیش‌بینی بر اساس میانگین ساده.

بررسی نمودارهای خروجی و تحلیل تصویری نتایج

علاوه بر شاخص‌های متنی، برنامه خروجی‌های تصویری و گرافیکی متعددی را در پنجره‌های مجزا ترسیم می‌کند که به طور کامل آماده درج در مقالات و گزارش‌های علمی است:

• ماتریس درهم‌ریختگی (Confusion Matrix): نمایش دقیق تعداد داده‌های طبقه‌بندی‌شده در چهار رده مثبت واقعی (TP)، منفی واقعی (TN)، مثبت کاذب (FP) و منفی کاذب (FN) همراه با درصدهای تفکیکی هر کلاس.
• نمودار مشخصه عملکرد سیستم (ROC Curve): ترسیم منحنی حساسیت در برابر مشخصگی به منظور اثبات توانایی فوق‌العاده شبکه در جداسازی کلاس‌ها.
• نمودار روند همگرایی خطا: نمایش گرافیکی کاهش خطای آموزش و اعتبارسنجی در طی دوره‌های یادگیری (Epochs).

خروجی شبیه سازی تشخیص سرطان سینه

پس از انجام شبیه سازی خروجی های مربوط به پارامترهای دقت، صحت، Recall، F1 و معیار های آماری کاپا، میانگین خطای مطلق (MAE)، ریشه میانگین مربعات خطا (RMSE)، خطای نسبی مطلق (RAE)، ریشه نسبی مربعات خطا (RRSE) در Command Windows متلب قابل مشاهده است. تصاویری از خروجی نمودارها در پروژه تشخیص سرطان سینه با شبکه عصبی در ادامه آورده شده است.

ویژگی‌ها و مزایای برجسته سورس کد متلب

• کدنویسی تمیز، ساختاریافته و کامنت‌گذاری‌شده: تمامی توابع و گام‌های برنامه با توضیحات کامل همراه است تا به راحتی بتوان خط به خط عملکرد آن را بررسی و شخصی‌سازی کرد.
• اجرای صددرصد تضمین‌شده و بدون خطا: پروژه در نسخه‌های مختلف نرم‌افزار متلب کامپایل و تست شده و اجرای روان آن تضمین شده است.
• دیتاست آماده و بهینه‌شده: فایل داده پردازش‌شده IOdata در کنار فایل اصلی سورس کد قرار داده شده است و نیازی به دریافت داده‌های جداگانه نیست.
• صرفه‌جویی چشمگیر در زمان پژوهش: تمامی بخش‌های کدنویسی، پیش‌پردازش، اعتبارسنجی، تولید نمودارها و فرمول‌های آماری به شکل یکپارچه در یک بسته آماده ارائه شده است.
• مناسب برای انواع پایان‌نامه‌ها و مقالات ISI: تطابق با استانداردهای علمی سبب شده تا نتایج حاصل از این کد به طور مستقیم در گزارش‌های دانشگاهی و پژوهش‌های بین‌المللی قابل استناد باشد.

چرا خرید این سورس کد بهترین انتخاب است؟

پیاده‌سازی یک شبکه عصبی پایدار برای داده‌های حساس پزشکی نیازمند آگاهی عمیق از مراحل پاک‌سازی داده، تنظیم پارامترهای لایه‌ها و فرمول‌های پیچیده ارزیابی آماری است. با تهیه این سورس کد، شما به یک پروژه تست‌شده، علمی و بی‌نقص دسترسی خواهید داشت که دارای فایل راهنمای داخلی بوده و مراحل اجرای آن از بارگذاری تا ترسیم نمودارها بدون هیچ‌گونه پیچیدگی و سردرگمی پیش می‌رود.

تضمین کیفیت و دانلود فوری محصول

این سورس کد به صورت جامع توسط کارشناسان فنی بررسی و اعتبارسنجی شده و دارای نشان تضمین کیفیت پی‌استور است. پس از پرداخت آنلاین از طریق درگاه‌های امن بانکی شبکه شتاب، لینک دانلود فایل فشرده (ZIP) حاوی سورس کدهای متلب، دیتاست و توضیحات راهنما به صورت آنی در پنل کاربری شما فعال و آماده دریافت خواهد بود.