提升前列腺癌检测:对PCLDA-SVM和PCLDA-KNN分类器进行比较分析,以提高诊断准确度
1Electrical and Electronics Engineering, Birla Institute of Technology, Ranchi, Jharkhand, 835215, India. pdubey0595@gmail.com.
Scientific reports
|August 23, 2023
概括
与PCLDA-KNN相比,PCLDA-SVM模型在前列腺癌诊断方面表现出更高的准确性 (97.99%). 这两种模式都显示出早期检测和改善患者结果的希望.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 前列腺癌的诊断依赖于准确的分类模型.
- 选数据集需要减小维度才能进行有效的分析.
研究的目的:
- 评估PCLDA-SVM和PCLDA-KNN模型在前列腺癌诊断方面的有效性.
- 为了比较这两种分类方法的性能指标.
主要方法:
- 使用PCLDA (主要组件分析和线性差异分析) 减少数据集.
- 支持矢量机 (SVM) 和k-近邻 (KNN) 分类器的应用和比较.
- 使用准确度,精度,灵敏度,特异性,F1得分,错误率,MCC和卡帕系数进行评估.
主要成果:
- PCLDA-SVM实现了97.99%的准确性,0.92的精度,92.83%的灵敏度,97.65%的特异性,0.93的F1得分,0.016的错误率,以及0.946的MCC/Kappa.
- PCLDA-KNN实现了97.8%的准确性,0.93的精度,93.39%的灵敏度,97.86%的特异性,0.92的F1得分,0.006的错误率,以及0.98的MCC/Kappa.
结论:
- 与PCLDA-KNN相比,PCLDA-SVM在前列腺癌诊断中显示出更好的疗效.
- 无论是PCLDA-SVM还是PCLDA-KNN都是前列腺癌诊断的有希望的分类器.
- 这些模型为提升早期检测和改善患者管理提供了潜力.
