Journal of Ilam University of Medical Sciences

fa ارائه مدلی جدید به‌منظور مدل‌سازی شبکه‌های سرطانی در تشخیص زودرس تومورهای بدخیم در سرطان سینه با استفاده شبکه‌های عصبی پیچشی پیچیده A Novel Model for Modeling Cancer Networks in the Early Detection of Malignant Tumors in Breast Cancer Using Complex Convolutional Neural Networks عمومى General پژوهشي Research <div style="text-align: justify;"> مقدمه: سرطان سینه یکی از علل اصلی مرگ‌ومیر در میان زنان است و نیازمند روش‌های تشخیصی پیشرفته برای تشخیص زودهنگام و دقیق است. مدل‌سازی سرطان سینه با استفاده از شبکه‌های پیچیده شامل نمایش تعاملات بیولوژیکی به‌عنوان گره‌ها و لبه‌ها، برای کشف سازوکار‌های بیماری و پیش‌بینی پیشرفت یا پاسخ‌های درمانی از طریق تجزیه‌وتحلیل توپولوژیکی و دینامیکی است. تکنیک‌های سنتی مانند ماموگرافی و بیوپسی، اغلب با محدودیت‌هایی در حساسیت و تفسیرپذیری مواجه هستند. مواد و روشها: این مقاله یک روش داده‌کاوی جدید برای شناسایی سرطان سینه با استفاده از طبقه‌بندی تومور از طریق شبکه‌های عصبی پیچشی گراف (GCNN) را ارائه می‌دهد. برخلاف مدل‌های یادگیری عمیق مرسوم، روش پیشنهادی به‌طور مؤثر ویژگی‌های رابطه‌ای پیچیده را در داده‌های غیراقلیدسی ثبت می‌کند و آن‌ها را برای تجزیه‌وتحلیل ساختارهای تومور ایدئال می‌سازد. یافته های پژوهش: روش پیشنهادی داده‌های تصویربرداری پزشکی و هیستوپاتولوژی را در مرحلۀ پیش‌پردازش به نمایش‌های گراف تبدیل می‌کند و امکان استخراج و طبقه‌بندی قوی ویژگی‌ها را فراهم می‌سازد. بحث و نتیجه‌گیری: نتایج شبیه‌سازی روش پیشنهادی روی مجموعه‌داده‌های دنیای واقعی نشان می‌دهد که روش پیشنهادی در مقایسه با روش‌های مرسوم، به‌طور میانگین از نظر دقت مدل یادگیری 35 درصد، سرعت اجرای فرایند یادگیری 42 درصد و تشخیص از دست دادن دقت 28 درصد عملکرد بهتری دارد.  </div> <div style="text-align: justify;">Introduction:  Breast cancer is a leading cause of death among women, requiring advanced diagnostic methods. Traditional techniques like mammography and biopsy have limitations, including low sensitivity in dense tissue and subjectivity. This paper presents a novel data mining method using Graph Convolutional Neural Networks (GCNNs) to capture complex, non-Euclidean relationships in tumour structures, improving diagnostic accuracy. Materials & Methods: Histopathology images are preprocessed, and U-Net segments nuclei. Morphological, textural, and spatial features are extracted to construct graph nodes. Edges are weighted by spatial distance and feature similarity. Topological metrics (e.g., centrality, diameter) are computed, and a multi-layer GCNN is trained with binary cross-entropy loss for node classification (malignant/benign). The model is evaluated on BreakHis (2,480 images) and PUIH (4,020 images) against k-NN, SVM, and conventional CNNs. Results: The GCNN method achieved 96.2% accuracy on BreakHis and 94.3% on PUIH, outperforming CNNs (89.4%, 85.7%) and traditional methods (81.1%, 76.4%). F1 scores reached 98.8% and 95.5%, respectively. Training time was 42% faster than CNNs (140 vs. 302 minutes on PUIH). The model also showed greater robustness to noise and data variations. Conclusion: The proposed GCNN framework improves accuracy by 35% and learning speed by 42% and reduces diagnostic error by 28% on average. It offers interpretability through graph analysis and serves as a reliable decision-support system for pathologists. Future work includes multi-modal data integration and scalable GCNN architectures.  </div> تشخیص پزشکی, سرطان سینه, طبقه‌بندی تومور با شبکۀ پیچیده, شبکه‌های عصبی پیچشی گراف, کاوش ویژگی Medical Diagnosis, Breast Cancer, Tumor Classification with Complex Network, Convolutional Graph Neural Networks, Feature Exploration 114 141 http://sjimu.medilam.ac.ir/browse.php?a_code=A-10-8371-1&slc_lang=fa&sid=1 Peyman Arebi پیمان عاربی peymanarebi@gmail.com 9600319475328460050726 9600319475328460050726 Yes Dept of Computer Engineering, Technical and Vocational University (TVU), Tehran, Iran دانشکده مهندسی کامپیوتر، دانشگاه ملی مهارت، تهران، ایران