乳腺癌的分类使用转移学习和先进的Al-Biruni地球半径优化
Amel Ali Alhussan1, Abdelaziz A Abdelhamid2,3, S K Towfek4,5
1Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah Bint Abdulrahman University, P.O. Box 84428, Riyadh 11671, Saudi Arabia.
Biomimetics (Basel, Switzerland)
|July 28, 2023
概括
这项研究引入了使用人工智能的自动乳腺癌检测方法. 这种新的方法实现了97.95%的准确性,改善了早期诊断并降低了死亡率.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 乳腺癌是妇女死亡的主要原因,需要改进的诊断工具.
- 手动哺乳镜解读是耗时且容易出现错误的.
- 现有的AI方法面临诸如特征提取和模型训练等挑战.
研究的目的:
- 开发一种用于乳腺癌分类的新型,计算自动化机制.
- 使用先进的人工智能技术,提高乳腺癌检测准确度.
主要方法:
- 一个框架包含数据增强,基于AlexNet的传输学习来提取特征,以及优化的卷积神经网络 (CNN) 分类.
- 利用先进的Al-Biruni地球半径 (ABER) 优化算法来改进分类.
- 在两个公开的乳腺癌数据集上验证了模型.
主要成果:
- 实现了97.95%的平均分类准确度.
- 与最近基于AI的乳腺癌检测方法相比,证明了更高的准确性.
- 统计测试 (ANOVA,Wilcoxon) 证实了该方法的有效性和意义.
结论:
- 拟议的人工智能驱动框架显著提高了乳腺癌分类准确度.
- 新的优化算法和转移学习方法为早期发现乳腺癌提供了有前途的解决方案.
- 这种方法有可能通过更可靠,更有效的诊断来改善患者的治疗结果.
