在不平衡的数据集中预测乳腺癌的机器学习 (ML) 技术:系统审查

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 数据挖掘 数据挖掘

背景情况:

• 数据库中的知识发现 (KDD) 对于医疗结果预测至关重要,特别是在癌症等高影响性疾病中.
• 机器学习 (ML) 提供了准确癌症预测的潜力,但与不平衡的数据集作斗争,导致偏见和过度匹配.
• 乳腺癌预测是一个关键领域,不平衡的数据对开发可靠的模型构成重大挑战.

研究的目的:

• 从2008年到2023年,系统地审查用于乳腺癌预测的机器学习方法.
• 检查 ML 技术,解决跨 KDD 步骤的不平衡数据:预处理,数据挖掘和解释.
• 综合研究有效的ML策略,准确预测乳腺癌的结果.

主要方法:

• 对乳腺癌预测文章的系统文献综述 (2008-2023年).
• 在预处理 (平衡,特征选择),数据挖掘和解释中应用的机器学习技术的分析.
• 专注于旨在减轻不平衡数据集影响的方法.

主要成果:

• 确定有效的预处理策略,包括数据平衡和特征选择技术.
• 综合强大的机器学习模型和适当的评估指标,用于不平衡的乳腺癌数据.
• 关于ML方法的概述,这些方法可以提高癌症预测模型的准确性和可靠性.

结论:

• 有效的ML预处理和建模技术对于克服乳腺癌预测中的不平衡数据挑战至关重要.
• 本综述为医疗保健提供者和研究人员提供了关于可靠方法的见解,以提高诊断准确度.
• 充分了解ML的应用可以导致更好的医疗保健决策和瘤学患者的治疗结果.