使用K最近邻 imputer和堆叠合体学习模型检测子宫癌
Xiaoyuan Chen1, Turki Aljrees2, Muhammad Umer3
1Huzhou Key Laboratory of Green Energy Materials and Battery Cascade Utilization, School of Intelligent Manufacturing, Huzhou College, Huzhou, P.R. China.
Digital health
|October 6, 2023
概括
这项研究引入了一种用于检测子宫癌的自动化系统,该系统有效地处理使用KNN归算和堆叠组合模型处理缺失的数据. 该系统实现了高精度,有助于早期检测和改善患者护理.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 在瘤学瘤学.
背景情况:
- 宫癌是发展中国家妇女的主要死亡原因之一.
- 早期发现和治疗对于降低死亡率至关重要.
- 使用巴氏涂片图像自动检测子宫癌是由于数据集中缺少数据而受到阻碍的.
研究的目的:
- 开发一个用于宫癌预测的自动化系统,有效地管理丢失的数据.
- 为了实现高精度的宫癌检测,尽管数据不完美.
- 提高用于医学诊断的机器学习模型的可靠性.
主要方法:
- 开发了一个堆叠集体投票分类模型.
- 该系统整合了三个不同的机器学习模型.
- 使用KNN Imputer来解决数据集中缺失的值.
主要成果:
- 拟议的模型通过KNN归算实现了99.41%的准确性.
- 精度达到了97.63%,召回95.96%,F1得分达到了96.76%.
- 对比分析显示,与其他七种算法相比,具有和没有归算的算法表现优越.
结论:
- 开发的系统有效地处理了宫癌检测数据集中缺少的数据.
- 这些发现支持早期检测和提高宫癌患者的护理质量.
- 拟议的模型与当前最先进的方法相比,显示出有效性.
