Title پيش بيني تشخيص و پيش آگاهي از عود و متاستاز سرطان پستان با استفاده از هوش مصنوعي Type Thesis Keywords Breast cancer , diagnosis delay , risk factor , prediction , Healthcare costs , Healthcare efficiency, machine learning Abstract هدف: سرطان پستان يك چالش مهم بهداشتي در ايران است كه هم بار انساني و هم بار اقتصادي را تحميل مي كند. اين مطالعه بر كاهش هزينه هاي مراقبت هاي بهداشتي با بهبود تشخيص و مديريت به موقع تمركز دارد. هدف اين تحقيق با استفاده از تكنيك هاي پيشرفته يادگيري ماشيني، پيش بيني تاخيرهاي تشخيصي و شناسايي عوامل خطر خاص در موارد سرطان پستان ايراني است. اين بينش ها مي توانند فرآيندهاي تشخيصي را ساده سازي كنند، تخصيص منابع را بهينه كنند و در نهايت تأثير اقتصادي مديريت سرطان پستان در ايران را كاهش دهند. روش ها: روش شناسي ايجاد چارچوب هاي يادگيري ماشيني براي پيش بيني تأخيرهاي تشخيص سرطان سينه و عوامل خطر را تشريح مي كند. با استفاده از الگوريتم هايي مانند جنگل تصادفي، سبد خريد كيسه اي، شبكه هاي عصبي و رگرسيون لجستيك، در كنار روش هاي مجموعه، اين فصل پيش پردازش داده، انتخاب ويژگي و تنظيم پارامتر را پوشش مي دهد. تكنيك هاي ارزيابي مانند ماتريس سردرگمي، ارزيابي حساسيت، تجزيه و تحليل ويژگي و تحليل AUC عملكرد مدل را ارزيابي مي كنند، با هدف بهبود دقت تشخيصي و اطلاع رساني استراتژي هاي مديريت موثر. نتايج: تجزيه و تحليل متغيرهاي حياتي را براي پيش بيني تاخيرهاي تشخيص سرطان پستان و عوامل خطر در مدل هاي مختلف يادگيري ماشين شناسايي كرد. در حالي كه سن به عنوان يك عامل جهاني ظاهر شد، اهميت متغيرهايي مانند سكونت شهري و وضعيت تأهل متفاوت بود. سبك زندگي، سابقه سلامتي و پيشينه خانوادگي به عنوان پيش بيني كننده هاي مهم ظاهر شدند و ماهيت پيچيده ارزيابي ريسك را برجسته كردند. به طور مشابه، تجزيه و تحليل اهميت ويژگي جايگشت، پيش بيني كننده هاي ثابتي مانند سابقه اشعه ايكس قفسه سينه و كاهش وزن عمدي براي خطر كلي سرطان سينه را نشان داد. اين يافته ها به ارزيابي ريسك شخصي و استراتژي هاي مداخله كمك مي كند و درك ما را از پيش بيني سرطان پستان غني مي كند. نتيجه گيري: يافته هاي اين مطالعه بينش مهمي در پيش بيني تأخير در تشخيص سرطان پستان و عوامل خطر در بيماران ايراني ارائه مي كند. با استفاده از تكنيك هاي پيشرفته يادگيري ماشين، متغيرهاي كليدي مانند سن، عوامل سبك زندگي، و سابقه سلامتي را شناسايي كرديم كه مي توانند فرآيندهاي تشخيصي را ساده تر كرده و استراتژي هاي مديريت هدفمند را اطلاع رساني كنند. اين بينش ها پتانسيل كاهش هزينه هاي Researchers Samira Dehdar (Student) , Khodakaram Salimifard (Primary advisor) , Thierry Chaussalet (Advisor) , Reza Mohammadi (Advisor)