提高乳腺癌检测和分类使用先进的多模型功能和集成机器学习技术

科学领域:

• 在瘤学瘤学.
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 乳腺癌 (BC) 是女性最常见的癌症,需要准确的诊断工具.
• 早期发现BC对于有效的治疗计划至关重要.
• 目前的方法,如细针吸收 (FNA) 细胞学和机器学习 (ML) 帮助诊断.

研究的目的:

• 开发一个自动化系统来检测和分类乳腺瘤为良性或恶性.
• 为了确定最佳乳腺癌检测准确度的最小特征集.
• 通过先进的计算方法提高临床诊断能力.

主要方法:

• 使用威斯康星诊断乳腺癌 (WDBC) 数据集进行分类.
• 采用集体机器学习 (EML) 技术,包括投票,包装,堆叠和提升.
• 实施递归特征消除,用于特征选择以确定关键诊断指标.

主要成果:

• 拟议的EML模型在6个评估指标上实现了高性能.
• 堆叠模型表现出卓越的性能,平均准确率为99.89%.
• 获得的灵敏度,特异性,F1得分,精度和AUC/ROC分别为1.00%,0.999%,1.00%,1.00%和1.00%.

结论:

• 开发的EML方法为乳腺癌诊断提供了可靠和高度准确的系统.
• 研究结果支持建立可靠的临床检测系统,以改善决策.
• 拟议的方法表明在检测其他类型的癌症中具有应用潜力.