Apprentissage automatique pour la prédiction des quelques traitement du cancer du sein dans la région d’Ouargla.

Abstract

Le cancer du sein est l’un des types de cancer les plus courants chez la femme, et dans ce travail, nous souhaitons proposer une nouvelle approche basée sur une branche de l’intelligence artificielle, à savoir l’apprentissage supervisé. Il vise à aider les médecins à diagnostiquer et à traiter les patients. Les données des patients étudiés ont été collectées à partir de l'archive de Centre Anti Cancéreux (CAC) de l'EPH Mohamed Boudiaf Ouargla. Pour contribuer à l'hormonothérapie en utilisant une méthode de classification, nous avons comparé les performances de différents algorithmes en fonction de la précision et de la sensibilité du modèle. Les résultats expérimentaux ont montré que le pourcentage le plus élevé a été obtenu en appliquant une régression logistique et Bayes naïf gaussien avec une précision de 91 %. D'autre part, il a été prévu que la dose totale trouverait le meilleur modèle en appliquant une régression et en comparant les métriques d'évaluation des algorithmes, où la précision du modèle à noyau linéaire était bonne, équivalente à 98,5 %.

Breast cancer is one of the most common types of cancer in women, and in this work, we would like to propose a new approach based on a branch of artificial intelligence, namely supervised learning. It aims to help doctors diagnose and treat patients. The data of the patients studied were collected from the Anti-Cancer Center (CAC) archive of the EPH Mohamed Boudiaf Ouargla. To contribute to hormonal therapy using a classification method, we compared the performance of different algorithms based on the accuracy and sensitivity of the model. The experimental results showed that the highest percentage was obtained by applying linear regression and Gaussian NB with an accuracy of 91%. On the other hand, the total dose was predicted to find the best model by applying regression and comparing evaluation metrics for the algorithms, where the accuracy of the linear kernel model was good, equivalent to 98.5%.