fa ارائه یک الگوریتم توضیح‌پذیر برای پیش‌بینی مدت بقا بیماران مبتلا به سرطان معده عمومى General پژوهشي Research <p style="text-align: justify;"><span style="line-height:2;"><span style="font-size:14px;"><span style="font-family:yekanYW;"><strong>هدف</strong>: پیش بینی مدت بقا در بیماران مبتلا به سرطان معده با استفاده از مدل های دقیق و قابل تفسیر می تواند نقش مهمی در تصمیم گیری های بالینی و مدیریت درمان داشته باشد. در این مطالعه، مدلی ترکیبی مبتنی بر الگوریتم رگرسیون بردار پشتیبان(SVR) و روش توضیح پذیر LIME برای پیش بینی مدت بقا در بیماران مبتلا به سرطان معده ارائه شده است.<br> <strong>روشها</strong>: این مطالعه به صورت گذشته نگر بر رویداده های مربوط به ۳۸۴ بیمار مبتلا به سرطان معده، در بازه زمانی ۲۰ ساله انجام شد. برای پیش بینی مدت بقا، از مدل رگرسیون بردار پشتیبان (SVR ) با کرنل RBF استفاده گردید.&nbsp;مدل SVR به دلیل توانایی بالا در مدل سازی روابط غیرخطی پیچیده در داده های پیوسته انتخاب شد. به منظور افزایش تفسیرپذیری نتایج، الگوریتم LIME برای تحلیل تأثیر متغیرها به کار گرفته شد. عملکرد مدل با استفاده از شاخص هایی مانند C-Index ، میانگین خطای مطلق (MAE) و میانگین مربعات خطا ( MSE ) مورد ارزیابی قرار گرفت.<br> <strong>نتایج</strong>: مدل SVR به ترتیب C-Index معادل 87 / MAE ،0 برابر با 3/ 45 روز و MSE برابر با 7/ 56 را نشان داد. تحلیل LIME نشان داد که متغیرهایی مانند درمان ترکیبی، پاتولوژی آدنوکارسینوما، سطح تحصیلات و سن در زمان تشخیص تأثیر مثبت و عواملی مانند اعتیاد، سابقه خانوادگی سرطان معده و علت مرگ تأثیر منفی در پی شبینی<br> مدت بقا داشتند.<br> <strong>نتیجه گیری:</strong> ترکیب الگوریتم SVR با تحلیل LIME ، مدلی تفسیرپذیر برای پیش بینی مدت بقا در بیماران مبتلا به سرطان معده ارائه داد. تفسیرپذیری این مدل، آن را به گزینه ای مناسب برای استفاده در محیط های بالینی تبدیل میکند که در آن شفافیت و اعتمادپذیری در تصمیم گیری اهمیت بالایی دارد.</span></span></span></p> <p style="text-align: justify;"><span style="font-size:14px;"><span style="font-family:Times New Roman;"><span style="line-height:2;"><strong>Introduction</strong>: Accurate and interpretable prediction of survival duration in patients withgastric cancer can significantly enhance clinical decision-making and treatment planning. This study presents a hybrid model based on Support Vector Regression (SVR) and the LIME algorithm to predict the survival time of patients with gastric cancer.<br> <strong>Methods</strong>: This retrospective study included data from 384 patients diagnosed with gastric cancer over a 20-year period. To predict survival time, a Support Vector Regression (SVR) model with an RBF kernel was applied. SVR was selected because of its strong capability to model complex nonlinear relationships in continuous data. To enhance the interpretability of the results, the LIME algorithm was used to analyze the influence of individual variables. The model performance was evaluated using the C-Index, mean absolute error (MAE), and mean squared error (MSE).<br> <strong>Results</strong>: The SVR model achieved a C-Index of 0.87, MAE of 45.3 days, and MSE of 56.7. LIME analysis showed that while addiction, family history of gastric cancer, and cause of death had negative effects on survival prediction, factors such as combination therapy, adenocarcinoma histology, education level, and age at diagnosis had a substantial beneficial impact.<br> <strong>Discussion</strong>: A dependable and understandable model for forecasting survival time in patients with stomach cancer was developed using the combination of SVR and LIME. The model&rsquo;s interpretability makes it appropriate for clinical settings, where decision-making procedures require transparency and trust.</span></span></span></p> سرطان معده, مدت بقا, هوش مصنوعی, رگرسیون بردار پشتیبان, LIME. Keywords: Gastric cancer, survival duration, artificial intelligence, Support Vector Regression, LIME. 453 468 http://jmis.hums.ac.ir/browse.php?a_code=A-10-909-2&slc_lang=fa&sid=1 Leila alaei لیلا علائی leila.alaei@iau.ir 100319475328460013227 0009-0008-0883-3396 No Department of Computer Engineering, Ki.C., Islamic Azad University, Kish, Iran. گروه مهندسی کامپیوتر، واحد بین المللی کیش، دانشگاه آزاد اسلامی، کیش، ایران Ali Broumandnia علی برومندنیا Ali.Broumandnia@iau.ac.ir 100319475328460013228 100319475328460013228 Yes Department of Computer Engineering, ST.C., Islamic Azad University, Tehran, Iran. گروه مهندسی کامپیوتر و هوش مصنوعی، دانشگاه آزاد واحد تهران جنوب، تهران، ایران. amin golabpour امین گلاب پور a.golabpour@gmailc.om 100319475328460013229 100319475328460013229 No School of Allied Medical Sciences, Shahroud University of Medical Sciences, Shahroud, Iran. دانشکده پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران Sina Dami سینا دامی Dami@wtiau.ac.ir 100319475328460013230 100319475328460013230 No Department of Computer Engineering, WT.C., Islamic Azad University, Tehran, Iran. گروه مهندسی کامپیوتر و هوش مصنوعی، دانشگاه آزاد واحد تهران غرب، تهران، ایران.