在细胞分子水平上诊断乳腺癌的数据挖掘技术

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 机器学习和数据挖掘为改善乳腺癌诊断提供了有希望的途径.
• 早期发现乳腺癌特征对于有效的治疗策略至关重要.
• 通过准确和快速的查来减少医疗诊断中的人为错误是一个关键目标.

研究的目的:

• 开发一种基于数据挖掘的方法,用于早期发现乳腺癌.
• 通过准确和快速的查,尽量减少诊断中的人类错误.
• 通过在早期阶段识别特征,帮助更好地治疗乳腺癌.

主要方法:

• 拟议的方法涉及数据预处理和图像质量提升.
• 图像细分用于将癌细胞与健康组织分开,并删除异常值.
• 配置了一个整体分类模型,结合了深度神经网络和多数投票.

主要成果:

• 该方法在两个侵袭性导管癌的组织病理学数据集上进行了评估.
• 提取了高级特征,平均精度为92.65%和93.34%.
• 该系统在乳腺癌的快速诊断和分类方面表现出很高的性能.

结论:

• 结合深度神经网络和特征提取,提高了乳腺癌的诊断准确度.
• 这种方法有助于专家进行诊断,并增加患者的生存机会.
• 这项研究有助于推进侵袭性导管癌的早期检测和治疗.