ML-DSTnet:一种基于使用机器学习和Dempster-Shafer理论进行图像处理的乳腺癌诊断改进的新型混合模型

科学领域:

• 医疗情报是医疗情报.
• 医疗保健中的人工智能
• 乳腺癌的诊断 乳腺癌的诊断

背景情况:

• 医疗智能系统,包括乳腺癌诊断,正在与人工智能一起发展,但面临着决策不确定性的挑战.
• 不准确的系统参数估计可能导致错误的诊断,影响患者的结果.
• 早期发现乳腺癌对于增加治疗选择至关重要.

研究的目的:

• 提出一种新的方法来减少乳腺癌诊断和分类中的不确定性,使用Dempster-Shafer理论.
• 为了提高区分良性和恶性乳腺质量的准确性.
• 增强乳腺癌检测中的医疗决策.

主要方法:

• 使用MIAS数据集进行图像处理和机器学习.
• 使用具有纹理特征的多层感知器 (MLP) 和卷积神经网络 (CNN) 进行初始质量分类.
• 结合使用Dempster-Shafer理论的分类结果,以减轻不确定性并提高诊断准确性.

主要成果:

• 提出的方法在乳腺癌质量分类方面实现了99.10%的高精度.
• 灵敏度达到了98.4%,表明有效检测恶性病例.
• 具体性为100%,表明该系统能够正确识别良性病例.

结论:

• 德姆斯特-沙弗理论与MLP和CNN的整合显著提高了乳腺癌诊断和分类准确度.
• 提出的方法有效地减少了乳腺癌检测医疗决策中的不确定性.
• 这种方法为人工智能驱动的医疗智能提供了有希望的进步,以改善患者护理.